Diabetic Retinopathy Diagnosis with Bag-of-Features and GPU-based Feature Extraction using SURF

Abstract

Estima-se que quantidade de pacientes com RD aumente para 191 milhões até 2030. Imagens coloridas do fundo da retina são usadas para diagnosticar RD. Essa análise só pode ser feita por médicos especialistas, o que é demorado e caro. Técnicas de visão computacional são essenciais para avaliar automaticamente essas imagens e ajudar o médico a detectar RD. Extrair features de imagens é um campo que tem vindo a crescer e tem muitos casos de uso em áreas críticas da sociedade, como classificação de imagens, detecção de objetos e segementação, carros autónomos, aplicações médicas. O método Bag-of-Features (BoF), também chamado de Bag-of-Visual-Words (BoVW), combinado com um classificador de Aprendizem de máquina, consegue obter resultados satisfatórios na classificação imagens de um modo geral. Especificamente, o método Bag-of-Features pode ser aplicado em imagens coloridas do fundo da retina para diagnosticar DR automaticamente, economizando recursos e auxiliando no tratamento precoce da doença. A influência dos sistemas modernos de computação para desenvolver soluções em tempo real levou à adopção de computação paralela, viabilizado principalmente pelo aumento das capacidades das Unidades de Processamento Gráfico (GPUs). Assim, as funções-chave do algoritmo Speeded-Up Robust Features (SURF) podem ser implementadas em GPU para reduzir substancialmente o tempo necessário para extrair e descrever características relevantes de imagens. Ao longo desta dissertação, a detecção e descrição de "image features" locais utilizando o SURF em GPU são exploradas. Também se discute e implementa o método BoF para a classificação de imagens. Ele serve como entrada para máquinas de vetores de suporte (SVMs) de modo a distinguir classes de dados, que são, neste caso: "doença" ou "sem doença". Além disso, também é apresentado um debate sobre as vantagens e desvantagens do processo BoF, quando comparado com as Redes Neurais Convolucionais. Também é discutido o conceito de GPU-computing e programação paralela, sendo o seu desempenho comparado com o modelo de programação de CPU que é amplamente usado.

The amount of patients with Diabetic Retinopathy (DR) is expected to increase to 191 million by 2030. Color fundus images of the retina are used to diagnose DR. This analysis can only be done by expert clinicians, which is time-consuming and expensive. Computer vision techniques are essential to automatically evaluate these images and detect DR.Extracting features from images is a field that has been growing and has many use cases in critical areas of society, such as image classification, object detection and segmentation, self-driving cars, and medical applications. The Bag-of-Features (BoF) method, also called Bag-of-Visual-Words (BoVW), combined with a Machine Learning Classifier can obtain satisfactory results in general image classification. Specifically, the BoF method can be applied to color fundus images of the retina to diagnose DR automatically, saving resources and helping the early treatment of the disease. The influence of modern computing systems to develop real-time applications led to the adoption of parallel computing, particularly enabled by the increase in capabilities of the Graffic Processing Units (GPUs). Thus, Speeded-Up Robust Features (SURF) algorithm key functions can be implemented in GPU to substantially reduce the necessary time to extract and describe relevant image features. Throughout this dissertation, the detection and description of local features utilizing SURF are explored. It also discusses and implements the BoF method for image classification. It serves as an input for an SVM to distinguish between classes of data, namely "disease" or "no disease". In addition, a debate on both advantages and disadvantages of the BoF process, when compared to the more recent Convolutional Neural Networks (CNNs), is also presented. It also discusses the concept of GPU-Computing and parallel programming. Its performance is compared against the commonly used CPU programming model.