Sectoral Quality Evaluation and Artifact Detection in Fundus Images

Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e TecnologiaAtualmente, devido ao aumento da população envelhecida, existe crescimento no número de casos de patologias na retina. Na medida em que estas doenças podem vir a ser tratadas ou até prevenidas, é fundamental detetar antecipadamente, diagnosticar e ter uma avaliação permanente do paciente. Uma das abordagens utilizadas para monitorizar as doenças de forma não invasiva, é o recurso a fotografias digitais da retina avaliadas por um oftalmologista. Contudo, esta requer bastantes profissionais desta área médica e grandes quantidades de armazenamento. Uma resolução prática e económica em termos de custos e tempo é a avaliação automatizada de retinografias digitais. Porém, cerca de 10%-20% das retinografias tiradas nestes exames são consideradas não-classificáveis, sendo difícil ou impossível de realizar o diagnóstico exato do paciente. Neste contexto, são propostos dois métodos distintos. O primeiro incide na alteração de um algoritmo já existente de classificação de qualidade usando indicadores genéricos de imagem, de forma a analisar setores oculares individualmente. Após a segmentação do disco ótico, da fóvea e da área restante, as regiões são classificadas em termos de cor, foco, contraste, iluminação e qualidade global. Um estudo sobre o raio das regiões a tomar, bem como substituições dos classificadores utilizados e a incorporação de descritores de textura foram realizados de forma a adaptar o método original. Após as modificações necessárias, o algoritmo de setorização segmentou corretamente as retinografias e, no geral, foi melhorada a sua performance. A segunda solução consiste num método de classificação de artefactos recorrendo a redes neuronais convolucionais. Foram consideradas cinco classes possíveis: imagens contendo artefactos de reflexão de luz, imagens desfocadas, contendo sobrexposição luminosa, iluminação insuficiente ou imagens com boa qualidade. Diferentes arquiteturas e valores de parâmetros foram testados, de forma a garantir o melhor desempenho. Implementado o modelo e utilizando 4000 imagens de teste, a exatidão do modelo foi apenas de 77.32%. No entanto, para a classe indicadora de boa qualidade foi obtida uma precisão de 99.13%, uma sensibilidade de 99.375% e uma especificidade de 99.81%. Apesar de avaliarem aspectos distintos, ambos os métodos enunciados melhoram o acto de aquisição de retinografias em rastreios oftalmológicos, facilitando o processo de diagnóstico.Currently, due to an increase in the aging population, there is a rise in the number of cases of pathologies in the retina. Since these diseases can be treated or prevented, it is essential to detect in advance, diagnose and evaluate the patient continuously. One of the approaches used to monitor diseases in a non-invasive way, is to resort to digital retinal photographs evaluated by an ophthalmologist. However, for this purpose is necessary plenty of professionals of this medical field and a large amount of storage. A practical and economic solution in terms of costs and time is the automated evaluation of digital retinographies. However, about 10%-20% of the images taken from these exams are considered not classifiable because it is impossible to carry out a precise diagnosis of the patient. In this context, two different solutions are proposed.The first proposed solution focuses on altering an already existing quality classification algorithm using generic image indicators, to analyse ocular sectors individually. After the segmentation of the optical disc, fovea and of the remaining area, the regions are classified in terms of colour, focus, contrast, lighting and overall quality. A study on the election of the radius of the considered regions, as well as the replacement of the classifiers and an incorporation of textural features were carried out in order to adapt the original method. After the necessary modifications were made, the sectorization algorithm segmented correctly the retinographies and, in general, the proposed classifiers offered a better performance than the classifiers of the source project.The second solution consists of an artefacts classification method using convolutional neural networks. Five possible classes were considered: imagens with light reflection artefacts, blurry images, containing overexposure, insufficient lighting and good quality images. Different architectures and parameter values were tested to ensure the best performance. After implementing the model and using 4000 test images, it was obtained an accuracy of only 77.32%. However, for the good quality indicator class it was obtained an accuracy of 99.13%, a sensitivity of 99.375% and a specificity of 99.81%.Although these approaches evaluate distinct characteristics, both methods improve the process of acquisition of retinographies in ophthalmologic screenings, facilitating the diagnostic process