Implementation and optimization of photocoagulation retinal treatment detection algorithms

Abstract

A Retinopatia Diabética é uma complicação da Diabetes Mellitus que pode causar perda de visão, podendo ser prevenida e tratada. O tratamento mais comum desta patologia é feito através de foto-coagulação laser destruindo na retina vasos sanguíneos frágeis, prevenindo também que outros se desenvolvam, retardando o avanço da doença. A maneira mais eficaz de detetar esta doença é a realização de rastreios periódicos. Nestes, são frequentemente empregues métodos de deteção automática de lesões associadas à Retinopatia Diabética, como é o Retmarker. No entanto, estes sistemas podem apresentar baixo desempenho devido à presença de marcas laser, como as causadas por tratamentos da Retinopatia Diabética com recurso a foto-coagulação. Esta dissertação, proposta pela Retmarker S.A., apresenta melhoramentos de um método de deteção automática de marcas laser para que seja evitado o processamento desnecessário de imagens de pacientes já tratados e para prevenir a classificação incorreta de imagens contendo marcas laser. Três algoritmos de segmentação do estado da arte foram otimizados para detetar regiões candidatas a marcas laser na imagem fonte. A partir destas e da restante imagem, várias características são calculadas de forma a treinar classificadores binários capazes de distinguir corretamente imagens contendo marcas laser. Máquinas de Suporte Vetorial e dois classificadores baseados em árvores de decisão foram testados, uma vez que o melhor resultado obtido pelo algoritmo que se pretende otimizar é baseado num classificador em Árvore de Decisão C4.5. Seis variantes de treinos de classificação foram utilizadas e o seu desempenho foi avaliado em conjuntos de dados de teste. O classificador baseado em Máquinas de Suporte Vetorial foi aquele que obteve a melhor eficiência com 99,19% de Especificidade e 89,63% de Sensibilidade. Foi conseguida uma otimização do tempo de execução de aproximadamente 80%. Os resultados são apresentados e discutidos e finalmente são feitas sugestões de continuação do presente trabalho.

Diabetic Retinopathy is acknowledged as a complication resulting from Diabetes Mellitus and a sight-threatening disease, that can be prevented and treated. The most common treatment for this condition is made by laser photocoagulation to destroy the fragile new vessels and prevent the growth of new abnormal ones. The most effective way of detecting this disease is by regularly surveying populations through screening initiatives. In screening initiatives, automatic lesion detection methods are often employed to detect Diabetic Retinopathy-related lesions, as is the case of Retmarker. These systems can, however, show low performance when processing images presenting laser treatment scars such as the ones left by Diabetic Retinopathy treatments. This thesis, which was proposed by Retmarker S.A, presents improvements to an existing algorithm used in the automatic detection of lasermarks to avoid the further processing of images belonging to already treated patients and also to prevent the misclassificassion of images presenting laser treatment scars. Three state-of-the art segmentation algorithms were optimized in order to identify lasermark candidate regions in an input image. From these candidates and from the image itself, various features are computed in order to train binary classifiers capable of correctly distinguish images containing lasermarks. Support Vector Machines and two Decision Tree based classifiers were tested, as the best result obtained by the previous algorithm was achieved using a C4.5 Decision Tree classifier. Six classification training variants were used and their performance was evaluated on test datasets. Support Vector Machines was the algorithm that achieved the best classification efficiency with 99.19% Specificity and 89.63% Sensibility. The time-efficiency improvements reached about 80%. All the presented results are discussed and finally improvements to be made and future work are suggested.