Automatic Detection of Cataract In Fundus Images

Abstract

As opacidades encontradas em retinografias (imagens do fundo do olho) são um obstáculo à deteção de outras anomalias relacionadas com doenças visuais, impedindo por vezes diagnósticos. Estas interferem com outros softwares de diagnóstico de lesões do olho, degradando a qualidade e a visibilidade das imagens. Uma abordagem automática à deteção e quantificação de cataratas, seria muito útil para o campo da oftalmologia para evitar o problema mencionado e para que fosse possível analisar uma maior quantidade de imagens de uma maneira mais fácil, rápida e barata, sem que fosse necessário o conhecimento de um especialista na área para o fazer. Este trabalho apresenta duas abordagens para detetar cataratas no olho, uma baseada em Aprendizagem Máquina "geral" e outra em Aprendizagem Profunda. Para aumentar a visibilidade e o contraste das imagens do conjunto de dados utilizado neste trabalho, dois métodos de pré-processamento das imagens da retina são explorados e comparados. Três algoritmos de Aprendizagem Máquina (Máquina de Vetores de Suporte, Árvore de Decisão e Árvores "Bagged") que classificam cada imagem numa de duas classes - catarata ou sem catarata - são usados. A extração de características é baseada na Transformada em Ondeletas Discreta, mais especificamente, na Transformada de Haar. Um método baseado em Redes Neuronais Convolucionais é também apresentado, usando o mesmo conjunto de dados mencionado acima para treinar e testar um classificador em Aprendizagem Profunda para a mesma função.

Opacities found in retinographies (fundus images) are an obstacle to the detection of other anomalies related to eye diseases, sometimes blocking diagnoses. They interfere with other eye lesions diagnosis software, degrading image quality and visibility. An automatic approach to the detection and quantification of cataracts would be very helpful to the ophthalmological field to avoid the mentioned problem and to enable analysis of large amounts of images in an easier, faster and inexpensive way, without needing the expertise of trained specialists to do so. This work presents two approaches to detect eye cataracts, one based on "general" Machine Learning and the other on Deep Learning. To enhance visibility and contrast of the images of the dataset used in this work, two pre-processing methods of the retinal images are explored and compared. Three Machine Learning algorithms (Support Vector Machine, Decision Tree and Bagged Trees) that classify each image into one of two classes - cataract or no cataract - were used. Feature extraction is based on a Discrete Wavelet Transform, more specifically, the Haar Transform. A method based on Convolution Neural Networks is also introduced, which uses the same dataset mentioned above to train and test a similarly aimed Deep Learning classifier.