Detecção de Drusas em imagens de retinografia - deetc

Introdução
Detecção de Drusas em imagens de retinografia
José Manuel Fonseca André Damas Mora Pedro Manuel Vieira
jmf@uninova.pt atm@uninova.pt pmv@fct.unl.pt
UNINOVA, FCT-UNL
Campus da Faculdade de Ciências e Tecnologia/UNL, Quinta da Torre, 2829-516 Caparica
PORTUGAL
Telefone: 21 294 83 80, Fax: 21 294 12 53
Drusas são indicadores de degeneração macular, uma patologia que se caracteriza por acumulações
de materiais extra celulares sob a retina. O estudo automático da evolução quantitativa de manchas
de Drusas ao longo de um tratamento médico constitui uma ferramenta de grande utilidade para
médicos oftalmologistas os quais, até ao momento, efectuam a sua análise de forma manual
baseando-se em aspectos qualitativos.
Neste artigo é apresentada uma metodologia de detecção e quantificação automática de manchas de
Drusas em imagens da retina. A metodologia é dividida em três partes: a correcção da não
uniformidade da iluminação, a localização de manchas e a modelação das manchas.
Serão também apresentados os resultados da aplicação desta metodologia em imagens com manchas
de Drusas e comparados com imagens previamente marcadas por médicos oftalmologistas.
Uma das anomalias da retina que são inspeccionadas pelos médicos oftalmologistas durante a examinação de
um paciente é a presença de manchas de Drusas. Estas são um importante factor de risco de Degeneração
Macular Relacionada com a Idade (DMRI) que é uma das principais causas de cegueira irreversível nos
países desenvolvidos. As Drusas podem ser identificadas em imagens da retina como pequenas manchas de
cor clara e amarelada em redor da mácula (ver figura 1).
Figura 1. Imagem de uma retina com Drusas.
Para diagnosticar a existência de Drusas os médicos oftalmologistas recorrem habitualmente a imagens da
retina obtidas através de técnicas de retinografia, como sejam a fotografia de Fundus, a angiografia ou
varrimento laser. A análise consiste em detectar visualmente e avaliar qualitativamente as manchas de
Drusas. Este tipo de análise leva a que esta seja subjectiva dependendo muito do especialista que a faz, do
momento em que a faz e do equipamento que está usar. A detecção e quantificação automática das manchas
de Drusas são dois procedimentos que irão certamente melhorar a eficácia do tratamento desta patologia
ocular, uma vez que permitem avaliar a sua evolução quantitativamente ao longo do tratamento usando
sempre os mesmos critérios de marcação de manchas.

A complexidade das imagens da retina, que incluem o nervo óptico, as veias e eventuais anomalias,
associada ao pouco contraste e à não uniformidade da iluminação da imagem fazem do desenvolvimento de
algoritmos de detecção de manchas de Drusas uma tarefa complexa e difícil. Diversas experiências têm sido
levadas a cabo usando técnicas de compensação da não uniformidade da iluminação [1, 2] e de
melhoramento do contraste combinadas com algoritmos de segmentação de imagem (local, global, difusa,
etc.) [3, 4]. No entanto, a maioria das aplicações apresenta tendência para produzir falsos positivos.
Neste artigo é apresentada uma metodologia de detecção automática de Drusas em imagens de retinografia
que pode ser divida em três fases: a localização das manchas, a sua modelação e a rejeição de manchas não
relacionadas com Drusas. Para a localização das manchas foi desenvolvido um algoritmo de detecção de
máximos [5] que recorre ao gradiente da imagem para fazer uma etiquetagem da imagem e posteriormente
proceder à sua segmentação. A segunda parte da metodologia [1] consiste em caracterizar cada uma das
manchas e definir o seu contorno. Nesta fase é utilizada a intensidade da imagem como informação
tridimensional da imagem, permitindo modelar não só o contorno da mancha como também a sua forma
tridimensional. A última fase consiste num pós-processamento recorrendo a técnicas de apoio à decisão com
vista a rejeitar as manchas que não estão relacionadas com Drusas. Este passo está ainda em fase de
desenvolvimento pelo que não será apresentado neste artigo.
Estado da arte
O primeiro trabalho importante de detecção automática não supervisionada de manchas de Drusas em
imagens de retinografia foi publicado em 1986 por Peli and Lahav [3] e foi posteriormente desenvolvido por
Sebag et al. [6] do New England Medical Center e da Tufts University School of Medicine. O trabalho
consistiu em dividir a imagem em janelas de 8x8 pixeis, calculando em cada janela um valor de binarização
que é posteriormente interpolado usando uma interpolação bilinear e usado na binarização da janela. Os
resultados obtidos foram considerados aceitáveis, mas revelando uma tendência para classificar pequenas
irregularidades na imagem como Drusas (falsos positivos).
Em 1991, Philips et al. [7] da Universidade de Aberdeen demonstraram que a combinação de binarizações
locais e globais em imagens de funduscopia podem ser utilizadas para detectar Drusas. Mais tarde, em 1995,
Kirkpatrick et al. [4] do mesmo grupo de investigação propôs a utilização de um algoritmo de region
growing para detectar Drusas em imagens obtidas por oftalmoscopia de varrimento Laser. Embora ambos
tenham produzido resultados idênticos em imagens do mesmo paciente, ambos os algoritmos não efectuam
nenhum pós processamento dos resultados levando a que sejam gerados muitos falsos positivos.
Uma aproximação ao problema da detecção de Drusas usando Lógica Difusa foi apresentada em 2000 por
Thdibaoui et al. [8] da Universidade de Paris. O passo inicial do algoritmo consiste em dividir os pixeis em
três classes: fundo, Drusas e ambíguos, de acordo com a sua intensidade. O último passo consiste em
classificar iterativamente os pixeis ambíguos numa das outras duas classes usando Lógica Difusa.
Uma segmentação de Drusas baseada numa reconstrução geodésica da imagem foi proposta em 2001 por
Sbeh et al. da Universidade Paris-Dauphine [9, 10]. O algoritmo, após aplicar um pré-processamento para o
realce de contornos, detecta máximos locais e juntamente os seus pixeis vizinhos (vizinhos geodésicos)

extrai o fundo. Este último passo é efectuado subtraindo um valor pré-determinado ao máximo local. Os
resultados obtidos podem ser considerados bons, mas este algoritmo pode ser classificado como uma técnica
de segmentação adaptativa e consequentemente tem os mesmos problemas de detecção de falsos positivos
que apresentaram os trabalhos precedentes.
Com esta pequena apresentação de trabalhos relacionados pode-se concluir que outras técnicas que não de
segmentação não foram ainda aplicadas a este problema. É importante fazer notar que todos estes métodos de
segmentação têm a mesma tendência de produzir falsos positivos, especialmente quando a imagem tem
pequenas irregularidades e que não é efectuado um pós-processamento para eliminação de manchas que não
estejam relacionadas com Drusas.
Localização de Manchas
O algoritmo de detecção e quantificação de Drusas proposto é baseado na modelação das manchas para
assegurar que a segmentação da imagem seja consistente com formas geométricas pré-definidas. Para obter
melhores resultados do processo de modelação é conveniente fornecer ao algoritmo a localização
aproximada do centro das manchas de Drusas.
Neste artigo é proposto um algoritmo de detecção de máximos locais que tem como característica principal
uma boa imunidade ao ruído. É um algoritmo de segmentação de imagem que recorre ao gradiente da
imagem para efectuar uma etiquetagem da mesma. Em imagens de média resolução existe certamente mais
do que um pixel cujo gradiente esteja na direcção de um máximo local e seguindo este mesmo gradiente,
pixel a pixel, um máximo local será encontrado. Este será o princípio de funcionamento do algoritmo
proposto que é similar aos algoritmos de etiquetagem de componentes ligados e transformada de Watershed.
O algoritmo de localização de Drusas tem quatro fases distintas: a determinação do gradiente, a propagação
de etiquetas, a compatibilização de etiquetas e finalmente a junção de etiquetas que pelas suas características
podem ser consideradas como pertencentes ao mesmo máximo local. Para ilustrar o algoritmo este será
aplicado à imagem apresentada na figura 2.a, um detalhe de uma imagem onde são visíveis duas Drusas.
O gradiente da imagem (figura 2.b) é calculado utilizando o operador de Sobel numa janela de 3x3 pixeis,
determinando em cada pixel um vector que indica a direcção para próximo pixel de intensidade superior.
Uma vez que o operador analisa a vizinhança em redor de cada pixel, muitos efeitos devido a ruído podem
ser eliminados.
A segunda fase (figura 2.c) consiste em analisar a imagem sequencialmente da esquerda para a direita e de
1 2 3 4 5 6 7 8
9 1 4 5 6 7 10 11
1 12 6 6 7 10 11 13
14 15 16 7 17 10 13 18
19 20 21 7 7 10 18 22
23 24 25 25 25 7 22 26
27 28 29 30 7 31 32 33
1 1 1 1 1 1 7 7
1 1 1 1 1 7 7 7
1 1 1 1 7 7 7 7
1 1 1 7 7 7 7 7
1 1 7 7 7 7 7 7
1 7 7 7 7 7 7 7
1 7 7 7 7 7 7 7
34 35 36 37 37 38 39 40 1 7 7 7 7 7 7 7
(a) (b) (c) (d)
Figura. 2 - Exemplo do algoritmo de localização de Drusas (a) Imagem original; (b) Gradiente da
imagem; (c) Propagar etiquetas; (d) Compatibilização de etiquetas.

cima para baixo, atribuindo a cada pixel não analisado uma nova etiqueta e propagando-a na direcção do
gradiente até que este indique um pixel já analisado. Sempre que esta última situação ocorra e que a etiqueta
a propagar seja diferente da etiqueta seguinte, estas serão definidas temporariamente como compatíveis.
A terceira fase corresponde a compatibilizar todas as etiquetas que foram identificadas no passo anterior
criando uma imagem segmentada em zonas que contribuem para um máximo local. O pixel de maior
intensidade de cada etiqueta é definido como o máximo local.
Após esta fase e dependendo do tipo e quantidade de ruído presente na imagem, o algoritmo pode gerar uma
imagem demasiado segmentada. Nestes casos é aplicado um passo de junção de zonas vizinhas que
pertençam ao mesmo máximo local, sendo a condição de junção que entre os dois máximos locais das zonas
a unir seja possível percorrer um caminho sem que a intensidade da imagem não desça abaixo de um nível
pré-determinado.
Modelação de Manchas
O próximo passo na detecção e quantificação de Drusas consiste em modelar cada uma das manchas
detectadas. Para criar o modelo de uma mancha é importante ter em conta que a génese das manchas de
Drusas é uma elevação suave da superfície da retina devido a acumulação de materiais extra-celulares
debaixo da retina. Usando a intensidade da imagem como informação tridimensional (coordenada z) para
estimar a elevação da superfície da retina é possível estimar a forma tridimensional de uma mancha de Drusa
(ver figura 3.a). Como é possível observar, o gráfico pode assemelhar-se a uma função gaussiana (figura 3.b)
sobre um fundo com ruído. Estas observações motivaram a utilização de funções gaussianas para modelar as
manchas de Drusas. A função utilizada é obtida através da seguinte equação:
sendo:
⎛ X
−⎜
⎜ s
2
Y
+
s
2
2
⎞
⎟ d
⎟
⎠
⎝ x y
G ( x,
y)
= A * e + Z onde,
0
X =
Y =
s
y
( x − x0
) ⋅ cos(
θ ) + ( y − y0
) ⋅ sin(
θ )
−(
x − x ) ⋅ sin(
θ ) + ( y − y ) ⋅ cos(
θ )
= s
A – amplitude θ - rotação
(x0, y0) – coordenadas do centro sF – factor de forma entre sx e sy
d – Factor de forma sx – factor de forma no plano x
Z0 – valor de fundo
(a) (b) (c)
Figura 3. (a) Forma tridimensional de uma mancha de Drusa; (b) Função gaussiana;
(c) Modelação de uma imagem com manchas de Drusas.
F
⋅ s
x
0
0
(2)

Esta é uma versão modificada da função gaussiana que acrescenta o factor de forma d possibilitando mais
um grau de liberdade à função, permitindo que esta se torne mais suave ou com arestas mais pronunciadas.
Para a pesquisa dos parâmetros das funções gaussianas que melhor modelam as manchas de Drusas, foi
utilizado o algoritmo de optimização de funções Levenberg-Marquardt [11]. O resultado da modelação de
uma imagem de retina encontra-se apresentado na figura 3.c, onde sobre a imagem original (malha) foi
sobreposto a imagem estimada. O contorno das manchas pode ser obtido marcando o contorno das funções a
uma percentagem da sua amplitude.
Apresentação de Resultados
Neste capítulo será apresentada a aplicação da metodologia de detecção de Drusas a uma imagem (figura 4.c)
e comparada quantitativamente com imagens marcadas por médicos oftalmologistas. A comparação será
efectuada com base no número de manchas detectadas e na área das manchas. As imagens são marcadas
manualmente em fotografia com caneta (figura 4.a) e também em computador de forma assistida (figura 4.b)
numa aplicação desenvolvida especificamente para o efeito, MD3RI [12].
Antes de analisar os resultados obtidos pela ferramenta automática é de salientar a subjectividade desta
análise. Comparando as marcações a caneta e a computador efectuadas pelo mesmo médico oftalmologista
em imagens da retina verifica-se que em média apenas 70% dos pixeis são marcados em ambas as imagens.
Sendo de prever que esta disparidade seja ainda mais acentuada comparando análises de médicos diferentes.
O objectivo final da detecção automática será obter resultados que sejam aprovados pela maioria dos
médicos oftalmologistas.
Comparando os resultados da detecção automática com uma imagem contendo apenas os pixeis marcados
simultaneamente a caneta e a computador é possível verificar que 22% dos máximos locais ficaram por
detectar e que 40% dos máximos locais detectados corresponderam a zonas não assinaladas. Estes são
valores na mesma ordem de grandeza dos verificados noutras imagens, pelo que se torna necessário ajustar
os parâmetros do algoritmo de detecção para detectar manchas de menores dimensões e simultaneamente
efectuar uma selecção dos máximos locais com base nas suas características de intensidade e dimensão. Os
resultados da modelação das manchas ainda se encontram um pouco aquém do esperado, havendo cerca de
(a) (b) (c)
Figura. 4 - (a) Imagem marcada a caneta; (b) Imagem com marcada assistida;
(c) Imagem marcada automaticamente.

20% de pixeis falsos positivos e 20% de pixeis falsos negativos. Estes valores devem-se principalmente à
incapacidade da ferramenta Matlab em modelar a imagem de uma só vez, tendo de ser efectuada em janela
deslizante de 100x100 pixeis.
Conclusão
O artigo apresenta uma nova aproximação ao problema de detecção de Drusas em imagens de retinografia. A
metodologia apresentada permite não só definir o contorno de manchas, como também caracterizar as
mesmas com vista a uma futura classificação das manchas como Drusas ou outra estrutura presente na
imagem.
O algoritmo de localização de manchas de Drusas, que usa como base o gradiente para fazer etiquetagem da
imagem, apresentou bons resultados detectando todas as manchas mesmo em zonas de baixo contraste. A
modelação das manchas através de funções gaussianas tridimensionais permitiu efectuar uma segmentação
da imagem adaptada à forma típica das manchas de Drusas eliminando bastantes artefactos da imagem
devido a ruído e outras irregularidades na superfície da retina.
Como trabalho futuro pretende-se aperfeiçoar o processo de modelação das manchas utilizando outras
funções e/ou outros métodos de optimização de funções e desenvolver o último passo de pós-processamento
dos resultados, com vista a separar as manchas de Drusas das restantes.
Agradecimentos
Os autores agradecem o apoio da Fundação para a Ciência e Tecnologia através do Programa Operacional
para a Ciência e Inovação POCI-2010 e do Fundo Social Europeu, e também à Universidade de Aberdeen e
ao Hospital de Santa Maria pela disponibilização das imagens e na analise das imagens usadas neste estudo.
Referências
[1] A. Mora, J. Fonseca, and P. Vieira. Drusen Deposits Modelling with Illumination Correction, in
Biomed-2005, Innsbruck, Austria, 2005.
[2] R. T. Smith, et al., A Method of Drusen Measurement Based on the Geometry of Fundus Reflectance,
BioMedical Engineering OnLine, vol. 2(10), 2003.
[3] E. Peli and M. Lahav, Drusen Measurement from Fundus Photographs Using Computer Image Analysis,
Ophtalmology, vol. 93, p. 1575-1580, 1986.
[4] J. N. P. Kirkpatrick, et al., Quantitative image analysis of macular drusen from fundus photographs and
scanning laser ophthalmoscope images, Eye (Royal College of Ophthalmologists), vol. 9, p. 48-55, 1995.
[5] A. Mora, P. Vieira, and J. Fonseca. Drusen Deposits on Retina Images: Detection and Modeling, in
MEDSIP-2004, Malta, 2004.
[6] M. Sebag, E. Peli, and M. Lahav, Image analysis of changes in drusen area, Acta Ophtalmologica, vol.
69, p. 603-610, 1991.
[7] R. P. Phillips, et al., Quantification of diabetic maculopathy by digital imaging of the fundus, Eye, vol. 5 (
Pt 1), p. 130-137, 1991.
[8] A. Thdibaoui, A. Rajn, and P. Bunel. A fuzzy logic approach to drusen detection in retinal angiographic
images, in 15th International Conference on Pattern Recognition, Barcelona, Spain, 2000.
[9] Z. B. Sbeh, et al., A New Approach of Geodesic Reconstruction for Drusen Segmentation in Eye Fundus
Images, IEEE TRANSACTIONS ON MEDICAL IMAGING, vol. 20(12), p. 1321-1333, 2001.
[10] Z. B. Sbeh, et al. An adaptive contrast method for segmentation of drusen, in International Conference
on Image Processing, 1997.
[11] D. W. Marquardt, An algorithm for least-squares estimation of non-linear parameters, Journal of the
Society for Industrial and Applied Mathematics, vol. 11(2), p. 431-441, 1963.
[12] Uninova, MD3RI - Manual Drusen Deposits Detection on Retina Images, 2005.