Metodologia para a deteção de artefactos luminosos em imagens de retinografia
com aplicação em rastreio oftalmológico
1. Introdução
O progressivo envelhecimento da população mundial (United Nations, 2013)
associado às diversas patologias oculares relacionadas com a idade (Porte,
2012) leva a que a importância destas doenças tenha vindo a aumentar
constantemente nas últimas décadas. Uma vez que a visão é fundamental para uma
boa qualidade de vida, a deteção precoce de doenças oculares é de grande
importância especialmente porque muitas patologias são assintomáticas até
atingirem um estado avançado de desenvolvimento em que são muitas vezes
irreversíveis (Rogers, 2007). Para efectuar a deteção precoce na generalidade
da população é necessário realizar acções de rastreio em que um grande número
de indivíduos é observado sendo efetuada a captação de imagens de fundoscopia
que são posteriormente avaliadas por especialistas.
No entanto, as imagens da retina captadas por câmaras de fundoscopia podem
conter artefactos que podem implicar a sua inutilização ou conduzir a
diagnósticos incorretos especialmente quando as patologias são detetadas por
métodos automáticos (Azemin et al., 2011; M. Niemeijer et al., 2007; Wilson et
al., 2003). Os artefactos mais comuns são provocados por dedadas, pó e manchas
causadas por tosse ou espirros do paciente (Hamilton et al., 1998). Estes
artefactos são reconhecíveis como pontos de maior intensidade espalhados pela
imagem (Figura_1). A sujidade no interior do sistema ótico (que pode ser
originada por ações de manutenção tais como mudança de lâmpadas) pode também
causar imperfeições significativas na imagem (Hamilton et al., 1998) criando um
anel luminoso no centro da imagem da retina a que se dá o nome de artefacto
central. A aquisição de imagens da retina é efetuada com base em diversos
processos de refração, reflexão e absorção da luz que transita entre o olho e o
detector. A obstrução ou desalinhamento deste processo complexo leva
inevitavelmente à produção de uma imagem defeituosa.
Quando existe desalinhamento, a imagem apresenta grandes zonas de alta
intensidade luminosa com o surgimento de diversas cores (Figura_1.b). A
distância entre o olho e o sistema de aquisição é também de grande importância.
Se a distância for superior ao desejável a imagem resultante será desfocada,
enquanto que se a distância for demasiado pequena a imagem poderá apresentar
reflexos indesejados que perturbarão a sua qualidade (Hamilton et al., 1998).
Os artefactos mais comuns são os reflexos luminosos (light flares) que podem
ser observados na Figura_1.b. Como estes artefactos são causados pela reflexão
da luz ou pela sujidade ao longo do sistema ótico, podem variar em número e
intensidade (Burke, 1996). Apesar de poder parecer inofensiva, a ocorrência de
artefactos nas imagens de fundoscopia pode ter um impacto significativo nos
resultados dos sistemas de diagnóstico automático (Davis et al., 2009; Mora et
al., 2011; Pinão et al., 2013; Yu et al., 2012) podendo as áreas da imagem com
alta ou baixa luminosidade ser facilmente confundidas com patologias,
aumentando assim o número de falsos positivos.
A deteção automática de artefactos luminosos em imagens da retina é um tema
pouco explorado pela comunidade científica. No entanto, o seu estudo é
importante pois permitirá melhorar a eficácia das campanhas de rastreio ao
permitir a deteção de deficiências. Se efectuada no momento da aquisição da
imagem, a deteção de artefactos pode levar à repetição imediata do exame
evitando posteriores recolhas. Caso a detecção seja aplicada após a campanha de
rastreio, terá como principal utilidade evitar a utilização da imagem nas zonas
assinaladas como artefactos. A ocorrência de artefactos luminosos ocorre também
noutros cenários de aplicação onde já foram testadas algumas técnicas para a
sua deteção. Alguns trabalhos (Gu et al., 2009; Zhou & Lin, 2007)
propuseram algoritmos que se baseiam na aquisição de múltiplas imagens de modo
a conhecer o modelo das distorções provocadas para em seguida corrigir as
alterações enquanto outros propõem algoritmos para corrigir as reflexões
através da informação circundante à reflexão (Bertalmio et al., 2000; Sun et
al., 2005). Contudo estes métodos não são aplicáveis nas imagens de retina uma
vez que apenas se dispõe de imagens isoladas e porque na grande maioria dos
casos os reflexos provocam alterações irreversíveis na imagem não sendo
possível recuperar a informação mascarada pelo artefacto.
Neste artigo apresentamos um novo método para a deteção de artefactos em
imagens da retina que pode ser utilizado para controlo automático de qualidade
na captação de imagens especialmente em situações de rastreio ou na seleção das
imagens para avaliação automática de patologias de forma a evitar a análise de
imagens com artefactos que podem produzir falsos positivos.
O artigo começará por apresentar as várias fases da metodologia, nomeadamente
de preprocessamento de imagem e de detecção de artefactos, para em seguida
apresentar resultados da aplicação da metodologia a um conjunto de imagens
recolhidas para um estudo ciêntifico que visou relacionar o tratamento de
cataratas com a degeneração macular relacionada com a idade (DMRI).
2. Métodos
Entre os diversos artefactos luminosos que podem surgir em imagens de fundos,
os reflexos luminosos e o artefacto central são os mais comuns (Hamilton et
al., 1998). Os reflexos luminosos são normalmente manchas arredondadas que
podem variar em cor e tamanho. O chamado artefacto central é consequência da
acumulação de sujidade no sistema ótico apresentando forma toroidal, sempre
centrado na imagem (donut shape).
Apesar da diferente natureza destes dois tipos de artefactos, a metodologia de
base proposta para a sua deteção é baseada no mesmo algoritmo de comparação de
padrões (template matching), utilizando diferentes configurações para cada um
deles. Dado que o método de deteção automática tem tendência para produzir uma
sobre-segmentação da imagem foi criado um processo de pós-classificação baseado
em árvores de decisão para eliminar as zonas indevidamente segmentadas.
As secções seguintes apresentam detalhadamente a metodologia proposta desde o
pré-processamento da imagem até à classificação final dos artefactos detetados.
2.1. Imagens utilizadas
As 61 imagens da retina centradas na zona macular utilizadas neste estudo foram
obtidas a partir do trabalho efetuado por Simmon Brunner ECAM ' Monitoring
Drusen and Geographic Atrophy after Cataract Surgery Study (Brunner et al.,
2013). Todas as imagens foram captadas no Departmento de Oftalmologia do
Rudolfstiftung Hospital, Vienna, Austria usando um retinógrafo de 40º (Canon
CR2-45NM, Veatch Ophthalmic Instruments) e digitalizadas com uma resolução de
1639x1116 pixéis. Os pacientes que participaram neste estudo sofriam de
cataratas e de degeneração macular relacionada com a idade (DMRI), apresentando
uma idade média de 80.5±6 anos.
De forma a permitir avaliar a precisão da deteção automática de artefactos um
perito analisou manualmente as 61 imagens tendo detectado 96 reflexos luminosos
e 50 artefactos centrais. É de notar que, uma vez que os pacientes que
participaram neste estudo sofriam de cataratas (o que obviamente aumenta a
opacidade e a distorção de cor das imagens captadas), algumas das imagens
apresentam uma qualidade bastante reduzida.
2.2. Pré-processamento
O primeiro passo da metodologia proposta é o melhoramento do contraste entre os
artefactos e o fundo da imagem. Foram analisados os espaços de cor RGB e HSV,
verificando-se que o espaço HSV permite um melhor contraste para a detecção de
artefactos luminosos. Analisando os três canais RGB podemos constatar que o
canal vermelho apresenta um contraste reduzido entre os artefactos e o fundo,
enquanto que os canais verde e azul são semelhantes entre si apresentando ambos
melhor contraste que o vermelho (com ligeira vantagem para o canal azul -
Figura_2.a). Entre os três canais HSV, apenas o canal de saturação é útil para
a detecção de artefactos. Embora neste caso a imagem pareça demasiado clara
podemos verificar a existência de um bom contraste entre os artefactos e o
fundo da imagem (Figura_2.b). O canal de saturação do espaço de cor HSV foi
portanto o escolhido para a detecção dos artefactos.
2.3. Deteção de Reflexos Luminosos
Para a deteção dos reflexos luminosos é aplicada a técnica de comparação de
padrões sendo utilizado o canal da saturação. Neste caso, a deteção de reflexos
será baseada na sua forma e tamanho.
A técnica de comparação de padrões requer a existência de uma imagem padrão que
se assemelhe à estrutura a procurar, sendo esta normalmente de dimensão
inferior à imagem onde será efectuada a pesquisa. A pesquisa é efetuada
deslocando a imagem padrão (T(x,y)) sobre a imagem original (I(x,y)) e em cada
uma das localizações comparar pixel a pixel as duas imagens, com vista à
determinação de um valor de similaridade. Neste trabalho foi utilizado como
medida de similaridade o Coeficiente de Correlação Normalizado (Rcc_norm ) (1)
que pelo facto de remover o valor médio da intensidade (2) da imagem original e
da imagem padrão e por normalizar o seu valor, apresenta uma boa tolerância a
variações de iluminação e de contraste. O resultado da aplicação do método é
uma imagem como a apresentada na Figura_3.c, onde as regiões que mais se
assemelham ao padrão têm uma maior intensidade.
sendo,
A escolha de uma imagem padrão adequada revela-se portanto um passo crucial
para o sucesso deste método. Para imagem padrão deve ser escolhida uma imagem
com um bom contraste entre as estruturas a identificar e com uma dimensão um
pouco superior a um artefacto para ser possível identificar a sua forma
circular em torno de um fundo uniforme. Neste estudo foi testada a utilização
de uma imagem padrão criada artificialmente e uma imagem padrão extraída de uma
das imagens do estudo. Verificou-se que usando a imagem real o método
apresentava uma melhor taxa de detecção, sendo por isso a opção escolhida. A
imagem padrão escolhida foi um reflexo bem contrastado e de contornos bem
definidos de uma das imagens do estudo (Figura_3.a). A imagem retirada é
quadrada e inclui uma margem de pixéis de fundo em torno do reflexo.
O método proposto usa apenas uma imagem padrão uma vez que neste estudo as
imagens foram todas adquiridas com o mesmo equipamento e apresentavam reflexos
sempre com a mesma dimensão. No entanto, noutros estudos poderão ser incluídas
outras imagens padrão adquiridas pelo equipamento em uso e ajustados os valores
de limiar para detectar correctamente os novos artefactos.
Para identificar na imagem as regiões candidatas a ser classificadas como
reflexos, o resultado da comparação de padrões é normalizado entre 0 e 255
sendo então aplicada uma binarização que assinala as regiões com intensidade
superior a um limiar pré-definido (Figura_4.a). O valor do limiar foi escolhido
empiricamente variando o seu valor entre 0 e 255 e, uma vez que a taxa de
verdadeiros negativos é desconhecida, foi analisada a curva Free-response ROC
(FROC) (Chakraborty, 2000). Pelo gráfico apresentado na Figura_4.b, o valor de
limiar que se encontra mais próximo do canto superior esquerdo (sensibilidade
máxima e menor taxa de falsas deteções) é o valor t=194, atingindo uma
sensibilidade de 0.83 com um rácio de 0.25 falsas deteções por
É de notar que é muito importante obter um correto compromisso entre
sensibilidade e falsos positivos uma vez que os falsos positivos podem mascarar
uma patologia e os falsos negativos podem confundir os sistemas de apoio ao
diagnóstico que usem a imagem processada.
Embora o algoritmo de comparação de padrões tenha produzido uma boa segmentação
dos candidatos a reflexo, gera um número significativo de falsas deteções
requerendo uma pós-validação dos resultados. Uma vez que o disco ótico, devido
à sua luminosidade, é uma das regiões mais propícias a ser confundida com um
reflexo, qualquer candidato que se encontre nessa região será descartado.
Para efetuar a pós-validação dos candidatos foi treinado um classificador
baseado em árvores de decisão, que usou como entradas algumas características
dos candidatos, nomeadamente a sua forma, cor e semelhança com o padrão, as
quais serão descritas em seguida.
Num primeiro passo os candidatos a reflexo são copiados da imagem de saturação
para uma imagem com as mesmas dimensões da imagem padrão (Figura_5.a) sendo
registada a média e o desvio padrão do canal da saturação e dos três canais
RGB, assim como os coeficientes de correlação normal (absoluto) e normalizado.
Em seguida, é aplicada à imagem de saturação uma binarização pelo método de
Otsu (Otsu, 1975) seguida de uma operação de fecho e outra de abertura (Figura
5.b). Da imagem resultante é extraída a simetria horizontal e vertical e o
número de pixéis a preto na zona central e periférica. Finalmente, é aplicado
um filtro de Sobel para deteção de contornos (Figura_5.c) sobre a qual é
aplicada novamente a técnica de comparação de padrões com uma imagem padrão de
um contorno circular. Na Figura_5 é possível verificar que os candidatos
verdadeiros (1,2) apresentam uma forma circular regular e os candidatos falsos
(3,4) formas irregulares.
As caraterísticas extraídas da imagem foram aplicadas no treino e teste do
classificador automático (Figura_6.a), usando respetivamente 30% e 70% dos
casos em cada uma das fases. Na Figura_6.b são apresentadas todas as
características usadas no treino do classificador e a sua importância de acordo
com o software de geração de árvores de decisão.
Tal como esperado, os valores do coeficiente de correlação foram considerados
os mais importantes sendo usados como testes iniciais da árvore de decisão. A
simetria foi também considerada como muito importante, obtendo uma
classificação superior às características relacionadas com a cor. Outras
características de menor importância foram a área central e o desvio padrão dos
canais azul e verde, sendo estes últimos usados para identificar falsos
positivos em imagens a cores com fundos irregulares.
2.4. Deteção do Artefacto Central
Tal como os reflexos luminosos, o artefacto central pode ter uma influência
negativa no desempenho de sistemas de diagnóstico automático. Como tal, é
importante a sua identificação de forma a que essa região seja assinalada como
danificada e/ou eventualmente alertar o operador para a necessidade de proceder
à manutenção do equipamento. O artefacto central surge sempre no centro da
imagem apresentando uma cor esbranquiçada e uma forma toroidal distinta de
qualquer outra estrutura retiniana.
A metodologia adotada para a deteção deste artefacto é muito similar à
anterior, sendo também utilizada a técnica de comparação de padrões com o
coeficiente de correlação normalizado. Uma vez que este artefacto surge sempre
na zona central da imagem, a pesquisa foi restringida apenas a essa zona. A
imagem padrão utilizada no estudo foi igualmente retirada das imagens
disponíveis, não contendo patologias e apresentando um bom contraste com o
fundo (Figura_3.b).
Para a deteção e validação do artefacto central é analisado apenas o valor do
coeficiente de correlação normalizado tendo sido definido empiricamente um
limiar de t=0.475acima do qual este é aceite. Este limiar foi também escolhido
através da curva FROC (Figura_7) usando os mesmos critérios utilizados para os
reflexos luminosos. Obteve-se assim uma sensibilidade de 0.88 e um rácio de 0.2
falsas deteções por imagem. Uma vez que a forma do artefacto central é bem
definida e que a região de pesquisa é de pequenas dimensões, o número de
classificações incorretas revelou-se bastante baixo.
3. Resultados
O método proposto para a deteção dos reflexos luminosos e do artefacto central
foi implementado em linguagem C usando a biblioteca de funções OpenCV Image
Processing Library. Tal como previamente explicado, o disco ótico foi
assinalado manualmente nas imagens sendo descartado qualquer artefacto detetado
dentro desta área.
Na Figura_8 podem ser observados dois exemplos de deteção de artefactos. Na
Figura_8.a podemos ver uma imagem de qualidade normal na qual estão indicados
os artefactos detetados. A Figura_8.b mostra que, mesmo numa imagem com
qualidade deficiente, é possível detetar corretamente todos os artefactos nela
presentes. Os dois algoritmos de deteção de artefactos foram avaliados usando
os conceitos de sensibilidade e de falsas deteções em cada uma das imagens do
conjunto de treino e do conjunto de teste (ver tabela_1). Apesar do bom
resultado obtido na detecção de reflexos luminosos com uma sensibilidade de
0.83 e um valor de falsos positivos de apenas 0.25 por imagem, foram
encontradas algumas limitações relacionadas com a localização dos reflexos
luminosos. Foi constatado que o algoritmo de comparação de padrões apresenta
algumas dificuldades na detecção de artefactos localizados na periferia das
imagens o que se traduziu numa redução da sua eficiência especialmente sobre as
imagens do conjunto de teste. As imagens com opacidade significativa, causada
por cataratas, dificultam o processamento reduzindo a taxa de sucesso dos
algoritmos. É, no entanto, de salientar que em nenhum caso se verificou
qualquer confusão entre artefactos e lesões ou estruturas da retina.
A deteção do artefacto central obteve uma sensibilidade de 0.97 com uma taxa de
falsos positivos/imagem de 0.12. Os melhores resultados na deteção do artefacto
central devem-se ao facto deste ter uma posição pré-determinada e de apresentar
um formato muito característico. A comparação de resultados com outros
trabalhos não foi possível por não terem sido encontrados até à data trabalhos
similares que permitam a sua comparação. A utilização de bancos de imagens da
retina de referência tais como o INSPIRE (Meindert Niemeijer et al., 2011), o
STARE (Hoover et al., 2000) ou o DRIVE (Staal et al., 2004) foi também
impossível uma vez que as imagens que os compõem foram previamente selecionadas
de forma a não conterem imagens com artefactos. Embora possam ser encontrados
na literatura alguns trabalhos referindo o problema dos artefactos nas imagens
da retina, nenhum dos estudos conhecidos até à data propõe a sua deteção
automática.
Para aplicação desta metodologia a um cenário real prevê-se que apenas seja
necessário escolher novas imagens padrão adquiridas pelo equipamento em uso e
ajustar o valor do limiar de deteção de artefactos por forma a detectar
artefactos que sejam visíveis e que possam ser confundidos com alguma patologia
retineana.
4. Conclusões
Neste artigo é apresentada uma metodologia para a deteção de artefactos baseada
nas suas características de cor e forma. O objetivo principal deste estudo é
excluir de estudos posteriores ou alertar automaticamente para a necessidade de
repetição da captação sempre que as imagens apresentem problemas
significativos. É assim possível por um lado aumentar a eficiência das ações de
rastreio ao baixar o número de pacientes que têm de voltar a sujeitar-se a
exames e por outro lado melhorar a performance dos sistemas de análise
automática de patologias ao evitar que imagens ou zonas das imagens contendo
artefactos sejam processadas.
A metodologia proposta utiliza técnicas de comparação de padrões para pesquisar
potenciais candidatos a artefactos na imagem da retina. Dado que esta técnica
tem tendência para detetar um número excessivo de candidatos foi também
implementado um processo de validação baseado em árvores de decisão que permite
excluir falsos candidatos. A metodologia proposta apresenta uma baixa
complexidade computacional permitindo a sua integração num sistema de deteção
de patologias sem um impacto significativo.
A sensibilidade e a taxa de falsos positivos obtidos pelo sistema (0.97/0.12
para o artefacto central e 0.73/0.36 para a deteção do artefacto central)
mostram que a metodologia proposta permite obter resultados muito aceitáveis
mesmo na presença de imagens de reduzida qualidade provenientes de pacientes
afetados por cataratas.
Os próximos passos deste trabalho passarão pelo teste da metodologia proposta
com um conjunto de imagens mais alargado e pela sua introdução num sistema de
rastreio oftalmológico com deteção de artefactos em tempo real.
Tendo como base a revisão de literatura efetuada podemos afirmar que a
metodologia proposta neste trabalho é inovadora e prometedora para a deteção de
artefactos em imagens da retina. A introdução deste tipo de algoritmos poderá,
no futuro próximo, aumentar a eficiência dos sistemas de rastreio e diagnóstico
de doenças oculares o que virá certamente contribuir para a melhoria das
condições de vida da população em geral e em especial da sua faixa sénior.
