Detección y segmentación simultánea de estructuras anatómicas en imágenes de retina basada en modelos de conocimiento relacionales Intra e Inter-Estructura

• Autores: José María Molina Casado
• Directores de la Tesis: Enrique J. Carmona Suárez (dir. tes.)
• Lectura: En la UNED. Universidad Nacional de Educación a Distancia ( España ) en 2018
• Idioma: español
• Tribunal Calificador de la Tesis: Manuel Francisco González Penedo (presid.), Mariano Rincón Zamorano (secret.), Manuel Emilio Gegúndez Arias (voc.)
• Programa de doctorado: Programa de Doctorado en Sistemas Inteligentes por la Universidad Nacional de Educación a Distancia
• Materias:
  • Matemáticas
    • Ciencia de los ordenadores
      • Inteligencia artificial
      • Informática
• Enlaces
  • Tesis en acceso abierto en: hdl.handle.net
• Resumen

  • La detección y segmentación de estructuras anatómicas en imágenes de retina constituyen dos tareas previas de gran importancia para la implementación de cualquier sistema automático de diagnóstico de patologías retinianas, siendo hoy día dos problemas aún abiertos. Por ejemplo, los resultados de detección de las diferentes estructuras anatómicas pueden utilizarse como un paso previo a la segmentación o como puntos de referencia usados por sistemas automáticos para el diagnóstico de diferentes patologías retinianas. Por otra parte, la segmentación del disco óptico es fundamental, por ejemplo, para el diagnóstico de enfermedades como el glaucoma o la retinopatía diabética proliferativa. Igualmente, la segmentación de la fóvea permite, por ejemplo, graduar la gravedad de determinadas maculopatías, permitiendo calcular la distancia de determinados patrones de patología al centro de esta estructura.

    La mayoría de los trabajos en la literatura relacionada han estado orientados a la detección/segmentación de cada estructura individualizada, o a la detección/segmentación de dos o más estructuras realizada de forma secuencial. Por el contrario, en esta tesis, se proponen dos metodologías, una de detección y otra de segmentación, que comparten tres propiedades importantes: (i) son independientes del tamaño de la imagen de entrada; (ii) están orientadas al uso conjunto del conocimiento relacional asociado a cada estructura retiniana (CRintra-e) y al de varias de estas estructuras (CRinter-e); y (iii) el uso conjunto de ambos tipos de conocimiento permite realizar la detección/segmentación de n estructuras de forma simultánea. La primera característica persigue que la configuración de parámetros de cualquier método basado en estas metodologías sea independiente del tamaño de imagen y, la segunda y tercera, que el número de falsos positivos disminuya respecto de aquellos casos en que la detección o segmentación se realiza de forma individual o secuencial.

    A partir de las dos metodologías mencionadas anteriormente, se detallan los pasos seguidos para la implementación de sendos métodos de detección y segmentación de estructuras retinianas. Uno de estos pasos hace referencia a la construcción de una serie de modelos relacionales de cada una de las estructuras a detectar/segmentar, distinguiendo entre modelos que solo usan información de la propia estructura (modelos intra-e) o de más de una estructura (modelos inter-e). De esta forma, se construyen cuatro modelos intra-e (disco óptico, mácula, red de vasos principales y haz vascular) y un modelo implícito inter-e (basado en restricciones) que son usados por el primer método para la detección simultánea de las cuatro estructuras mencionadas. De otro lado, se construyen dos modelos intra-e (disco óptico y fóvea) y un modelo relacional para ser usado por el segundo método para la segmentación simultánea de las dos estructuras mencionadas. La principal diferencia entre los modelos intra-e usados para detección y segmentación radica en su complejidad, siendo muy simples en el primer caso y algo más complejos en el segundo.

    Los resultados de los experimentos diseñados refrendan las bondades de la simultaneidad y el uso conjunto del CRintra e inter-e, tanto en detección como en segmentación, siendo la disminución de la tasa de falsos positivos una de sus principales consecuencias. Todos los experimentos se realizaron en bases de imágenes públicas para facilitar la comparación con otros métodos de detección/segmentación. Un experimento adicional muestra que la incorporación del resultado de detección como entrada adicional al método de segmentación favorece los resultados de este último, a costa de un pequeño incremento del tiempo empleado en el proceso.