Investigação da importância dos canais de cores em imagens de fundoscopia para auxílio na identificação do glaucoma via abordagens de aprendizado de máquina

Abstract

RESUMO: O glaucoma é uma doença ocular crônica considerada pela Organização Mundial da Saúde (OMS) como a segunda maior causa de cegueira no mundo. Pesquisas realizadas estimam que 60,5 milhões de pessoas mundialmente já foram afetadas pela doença, e o número de pessoas com glaucoma no mundo chegará a 111,8 milhões em 2040. Além disso, aproximadamente 50% dos acometidos não sabem que são portadores da doença e, se soubessem com antecedência do problema, teriam mais chances de impedirem a perda da visão. Nos últimos anos houve um grande aumento do uso da Inteligência Artificial para auxiliar os profissionais de saúde a fazer uma triagem mais rápida das imagens de glaucoma, indicando precocemente os casos mais graves. Existem diversas técnicas de aprendizado de máquina tradicional e de aprendizado profundo que podem ser empregadas na detecção do glaucoma. Grande parte das imagens é colorida e o espaço de cores utilizado para representá-las pode influenciar o desempenho dos algoritmos. Entretanto, há poucos estudos que avaliam o impacto do espaço de cores na eficiência dos métodos. Neste trabalho, investigamos a importância dos canais de cores no desempenho das técnicas de (i) Aprendizado de Máquina Tradicional (para detecção de glaucoma) e (ii) Aprendizado Profundo (para segmentação do disco óptico e da escavação papilar), utilizando duas bases de dados públicas, Drishti-GS e RIM-ONE v3. Para avaliar a técnica (i) combinamos os canais dos espaços de cores (RGB, HSV e Lab), dois extratores de características (HOG e LBP) com três diferentes parâmetros em cada e cinco diferentes algoritmos de aprendizado de máquina. Já para avaliar a técnica (ii) utilizamos combinações dos canais dos espaços de cores (RGB, HSV e Lab), imagens em escala de cinza e a rede U-Net para a segmentação. Os experimentos da técnica (i) mostraram que, dos cinco classificadores utilizados, o classificador SVM, combinado com o canal RGB-G e extrator LBP, e também com a escala de cinza com o extrator HOG, alcançou acurácia de 90,20% para a base Drishti-GS; Já para a base RIM-ONE v3 o extrator HOG no canal Lab-L com o classificador SVM-RBF alcançou acurácia de 84,27%. Em relação aos experimentos da técnica (ii), para a base Drishti-GS, a segmentação da escavação papilar com o canal RGB-B obteve IoU de 0,78 e Dice de 0,88; e para a segmentação do disco óptico, obteve IoU de 0,93 e Dice de 0,97, para ambos os canais RGB-R e HSV-V. Para a base RIM-ONE v3, a segmentação da escavação papilar com o canal RGB-G obteve IoU de 0,69 e Dice de 0,82 (que foi o mesmo resultado do espaço Lab); e para a segmentação do disco óptico, o canal RGB-G obteve IoU de 0,89 e Dice de 0,94. Portanto, os resultados mostram que as informações contidas num único canal de um espaço de cores das imagens de fundo de olho podem, em alguns casos, ser suficientes para realizar o diagnóstico automático de glaucoma bem como a segmentação da escavação papilar e disco óptico, não sendo necessário utilizar todos os três canais para alcançar bons resultados.

ABSTRACT: Glaucoma is a chronic eye disease considered by the World Health Organization (WHO) as the second leading cause of blindness worldwide. Researches carried out estimate that 60.5 million people worldwide have already been affected by the disease, and the number of people with glaucoma worldwide will increase to 111.8 million in 2040. In addition, approximately 50% of patients are unaware of the disease and, if they knew about the problem in early stage, they would be more likely to prevent vision loss. In recent years, there has been a great increase in the use of Artificial Intelligence to help health professionals to perform a faster screening of glaucoma images, indicating the most serious cases early. There are a number of traditional machine learning and deep learning techniques that can be used to detect glaucoma. Most of the images are in color and the color space used to represent them can influence the performance of the algorithms. However, there are few studies that assess the impact of color space on method performance. In this work, we investigate the importance of color channels in the performance of two techniques: (i) Traditional Machine Learning (for glaucoma detection) and (ii) Deep Learning (segmentation of optic cup and optic disc), using two public datasets, Drishti-GS and RIM-ONE v3. To assess the technique (i), we used combinations of color space channels (RGB, HSV and Lab), two feature extractors (HOG and LBP) with three different parameters in each and five different machine learning algorithms. To evaluate the technique (ii), combinations of color space channels (RGB, HSV and Lab), grayscale images and the U-Net network were used for segmentation. The experiments using technique (i) showed that the SVM classifier, which obtained the best result among the five classifiers, combined with the RGB-G channel with LBP extractor, and the gray scale with the HOG, achieved the accuracy of 90.20% for the Drishti-GS dataset; For the RIM-ONE v3 dataset, the HOG extractor in the Lab-L channel with the SVM-RBF classifier achieved an accuracy of 84.27%. Regarding the experiments of technique (ii), for the Drishti-GS dataset, the optic cup segmentation with the RGB-B channel obtained an IoU of 0.78 and Dice of 0.88; and for the optic disc segmentation, it obtained an IoU of 0.93 and Dice of 0.97, for both the RGB-R and HSV-V channels. For RIM-ONE v3 dataset, optic cup segmentation with RGB-G channel obtained IoU of 0.69 and Dice of 0.82 (which was the same result of Lab space); and for the optic disc segmentation, the RGB-G channel obtained an IoU of 0.89 and Dice of 0.94. Therefore, the results show that the information contained in a single channel of a color space of fundus images may, in some cases, be sufficient to perform automatic glaucoma diagnosis as well as optic cup and optic disc segmentation, not being necessary use all three channels to achieve good results.