RetInfo - Identificação de alterações retinianas usando processamento digital de imagem

Dissertação para obtenção do Grau de Mestre em Engenharia Biomédica

Com a evolução dos sistemas de imagem digital, nos últimos 20 anos, têm sido evidenciados esforços para o desenvolvimento de sistemas de diagnóstico automático de patologias retinianas. Desde a redução de custos à eliminação de condicionantes subjectivas ao diagnóstico, são diversas as potencialidades da integração destes sistemas em programas de rastreio médico. Neste trabalho, foi desenvolvido um método de identificação de alterações retinianas, usando processamento digital de imagem para classificação automática de imagens de autofluorescência do fundus (AFF). A sua inclusão em programas de rastreio oftalmológico permitirá pré-seleccionar os pacientes que apresentem alterações ao padrão normal da retina saudável e encaminhá-los para uma consulta oftalmológica. A metodologia proposta assenta em dois processos-chave: Extracção de Características e Classificação da Imagem. Na primeira fase procedeu-se à identificação e extracção das principais características diferenciadoras entre as situações patológicas e as saudáveis, utilizando-se algoritmos de comparação de histogramas e de avaliação do desvio padrão, bem como o algoritmo de Template Matching para a procura da localização mais provável da mácula. No total foram identificadas como relevantes 26 características. Por fim, a informação extraída permitiu desenvolver dois classificadores de aprendizagem supervisionada, nomeadamente, uma árvore de decisão e uma rede neuronal. Ambos foram testados pelo método de validação cruzada, com k=5. A rede neuronal apresentou uma taxa de erro de 2,67% e a árvore de decisão um erro de 10,96%. A análise ao coeficiente kappa de Cohen estabeleceu uma concordância substancial entre os resultados da árvore e a classificação real, enquanto a rede neuronal apresentou uma concordância quase perfeita. Estes valores, bem como uma análise da sensibilidade e especificidade dos modelos, estabeleceram a rede neuronal como o classificador que melhor generaliza os dados em análise. Os resultados obtidos permitiram concluir que a metodologia proposta é capaz de diferenciar automaticamente situações patológicas das não patológicas.