2010.01.14.
A cukorbetegség szemszövődményeinek szűrésére alkalmas képfeldolgozó rendszer kifejlesztése
Diabétesz - Áttekintés 2010.01.14. 22:46
DRSCREEN projekt Török Zsolt Astrid Research
Hajdu András Debreceni Egyetem, Informatikai Kar
DM: inzulin hiányos állapot, magas vércukorszint Epidemiológia: • 2000-ben 171 millió beteg, a lakosság 2,8%-a (WHO) • USA, 60-évesnél idősebbek 18,3%-a = 8,6 millió (American Diabetes Association) • Növekvő prevalencia, 2030-ra ~ 300 millió beteg • Leggyorsabb növekedés, Afrika, Ázsia • A 2000 után születettek harmadának alakul ki élete során diabétesz (CDC) DM szövődményei: vese, ér, ideg, szem - diabéteszes retinopátia (DR) Projekt célja: automata DR szűrő rendszer kifejlesztése
12. Gyires Béla Informatikai Nap, 2009. december 18, Debreceni Egyetem, Informatikai Kar 2
Diabéteszes retinopátia 2010.01.14. 22:46
3
• Oka: az ideghártya kis erei falának károsodása • Tünetei: eleinte tünetmentes, majd gyors látásromlás, vakság (globálisan 40millió, DR 5%, de cataracta 50%)
• NIH National Eye Institute
Digitális retina szűrőprogramok 2010.01.14. 22:46
4
DRScreen Projekt 2010.01.14. 22:46
• Mo.-on rendszeres kontroll • Digitális retina szűrő programok: • English National Screening Programme for Diabetic Retinopathy (UK) • Vanderbilt Ophthalmic Imaging Center (USA)
Anatómiai képletek 2010.01.14. 22:46
Egészséges
5
• 10 éve fennálló diabétesz esetén 80% DR • Tünetek az esetek 90%-ában kezelhetőek (visszafordítható v. stabilizálható) • Jelentős betegségteher
DR, makula ödéma, hard exudátumok, bevérzések, aneurizmák
6
Egészséges-anatómia
1
2010.01.14.
Mikroaneurizmák 2010.01.14. 22:46
Bevérzések 2010.01.14. 22:46
7
8
Exudátumok 2010.01.14. 22:46
Egyéb alkalmazási területek 2010.01.14. 22:46
9
• Biobankolás - fenotípus kvantifikáció • Progresszió követése - terápiás hatás ellenőrzése • Adatbányászat, (biológiai markerek/klinikai adatok) • Szakértői rendszerek - szűrés, diagnosztika, prognosztika • Technológiai korlátok: a technológiában rejlő lehetőségek kihasználása, ha ez kevés, technológiaváltás, vagy különböző technológiák együttes használata
10
DRSCREEN rendszer elemei 2010.01.14. 22:46
• Előszűrés • Előfeldolgozás • Anatómiai képletek detektálása – – – –
Érhálózat Fő temporális érív Látóidegfő (vakfolt) Látógödör (sárgafolt/fovea)
Előszűrés
Antal Bálint (PhD hallgató)
• Elváltozások detektálása – Aneurizmák/vérzések – Exudátumok 11
• Döntéshozatal, diagnosztika
2
2010.01.14.
Képek osztályozása 2010.01.14. 22:46
• Nem retina képek • Rossz minőség – kiértékelhetetlen
13
Képek osztályozása 2010.01.14. 22:46
14
Képek osztályozása 2010.01.14. 22:46
• Abnormális retina
• Feldolgozandó
Előszűrő algoritmus 2010.01.14. 22:46
• Sajátságkinyerés – Inhomogenitás – Szórás
• Osztályozás – Gépi tanítás – SVM, kNN, Naive Bayes
15
16
Előszűrési eredmények 2010.01.14. 22:46
Előfeldolgozás
17
3
2010.01.14.
Adaptív hisztogramkiegyenlítés 2010.01.14. 22:46
Adaptív hisztogramkiegyenlítés 2010.01.14. 22:46
19
20
Gépi tanulás alapú 2010.01.14. 22:46
Érhálózat detektálása Harangozó Roland (V. PTM), Kovács György (PhD hallgató)
2009, Debrecen, Hungary
22
Gépi tanulás (mintavételezés) 2010.01.14. 22:46
23
Rejtett Markov mezős (saját) 2010.01.14. 22:46
24
4
2010.01.14.
Sárgafolt keresése 2010.01.14. 22:46
Vakfolt és sárgafolt detektálása a fő temporális érív alapján Csősz Ignác (V. PTM), Hornyik Dávid (III. GI)
26
Görbeillesztés a fő érívre 2010.01.14. 22:46
Közelítő modellek • AIC érték alapján rangsoroltuk a görbe modelleket: Sorszám 1. 2. 3. 4. 5. 6. 7. 8.
27
Négy-paraméteres modellek Illesztett modell Harmadrendű polinomiális a*x3 + b*x2 + c*x + d Fél ellipszis (d2 * (1 - (x - a)2 / c2) + b)0.5 Három-paraméteres modellek a*x3 + b*log(x)2 + c a*x2.5 + b*x0.5*log(x) + c a*x2.5 + b*x0.5 + c a*x2*log(x) + b*x/log(x) + c a*x3 + b*x0.5 + c Parabola a*x2 + b*x + c
Átlagos AIC 33 463.875 34 226.011 34 390.211 34 407.671 34 428.254 34 438.833 34 443.034 34 447.561
Finomított modellek
Sorszám
Finomított három-paraméteres modellek Illesztett modell Átlagos AIC
1.
a*x3.28 + b*log(x)1.71 + c
34 369.481
2.
a*x3.27 + b*x0.15 + c
34 369.712
3.
a*x3 + b*x0.3 + c
34 374.218
4.
a*x3 + b*x0.2*log(x) + c a*x2.5*log(x)+b*x0.62/log(x)+c
34 374.462 34 394.397
Finomított parabola a*x2.5 + b*x0.62 + c
34 404.796
5. 6.
Elfajuló érkereszteződések javítása
Hornyik Dávid (III. GI), Szakács József (V. PTM) Tomán Henrietta (KK tanszék)
5
2010.01.14.
Elfajulás 2009.12.03.
Elméleti modell 2009.12.03.
Digitális kereszteződés
Digitális kereszteződés váza
Két ér kereszteződésének geometriai modellje
Elméleti modell 2009.12.03.
Az algoritmus lépései 2009.12.03.
• Felezővonalakon alapuló kereszteződések (nagy k értékre) • Parabolákon alapuló kereszteződések (kis k értékre)
Vékony erek
Vastag ér
Az erek két részre bontása
Az algoritmus lépései 2009.12.03.
Az algoritmus lépései 2009.12.03.
• A részelemek vázának kinyerése
• A képek uniója
6
2010.01.14.
Az algoritmus lépései 2009.12.03.
Eredmények 2009.12.03.
Vágható kereszteződések (47/130) Vázkijelölés
Hagyományos
Teljes DD hiba (pixel):
140.0
72.0
Javasolt
Átlagos DD hiba (pixel):
3.11
1.6
Elfajulás mértéke: 51.4286 % Összes kereszteződés (130/130)
• Az erek újraegyesítése
sikertelen vágás
85
jobb eredmények a javasolt módszerrel
29
azonos eredmények
14
roszabb eredmények a javasolt módszerrel
2
További kutatási lehetőségek 2009.12.03.
Vakfolt detektálása Harangi Balázs (V. PTM), Rashid Jalal Quereshi (PostDoc kutató)
Algoritmusok kombinálása
Algoritmusok kombinálása
7
2010.01.14.
Algoritmusok kombinálása DRIVE Algorithms
Pyramidal Decomposition [6] Edge Detection [6] Entropy Filter [7] Fuzzy Model [8] Hough transformation[10] Proposed Combination
Detection Rate
51/61 60/61 60/61 39/61 51/61 61/61
Accuracy
83% 98% 98% 64% 83% 100%
DiaretDB0 Detection Rate
115/130 100/130 125/130 8/130 103/130 126/130
Accuracy
88% 77% 96% 6% 80% 97%
Algoritmusok kombinálása
DiaretDB1 Detection Rate
79/89 68/89 84/89 5/89 67/89 86/89
DRIVE
DiaretDB0
DiaretDB1
Accuracy
Algorithms
Accuracy 45 pixels
Accuracy 45 pixels
Accuracy 45 pixels
89%
Pyramidal Decomposition [6]
82%
56%
50%
96%
32%
23%
96%
83%
83%
Edge Detection [6]
76%
Entropy Filter [7]
94%
Fuzzy Model [8]
60%
1%
1%
75%
Hough transformation[10]
83%
71%
65%
96%
Proposed Combination
98%
95%
96%
5%
Algoritmusok kombinálása
Sárgafolt detektálása Kovács László (V. PTM), Nagy Brigitta (V. PTM), Rashid Jalal Quereshi (PostDoc kutató)
Többségi szavazás
Egyedi algoritmusok pontossága A PDS algoritmus fovea jelöltjeinek eloszlása
Bevezetés
Bevezetés
Algoritmusok
Algoritmusok
Kombinálás
Kombinálás
Eredmények
Eredmények
Jövőbeli tervek
Jövőbeli tervek
HotSpot
a) Fovea jelöltek egy képre vetítve
b) Sűrűségbecslés a makulán
8
2010.01.14.
Egyedi algoritmusok pontossága
Egyedi algoritmusok pontossága Az FPGOS algoritmus fovea jelöltjeinek eloszlása
Az SNN algoritmus fovea jelöltjeinek eloszlása
Bevezetés
Bevezetés
Algoritmusok
Algoritmusok
Kombinálás
Kombinálás
Eredmények
Eredmények
Jövőbeli tervek
Jövőbeli tervek
a) Fovea jelöltek egy képre vetítve
b) Sűrűségbecslés a makulán
a) Fovea jelöltek egy képre vetítve
Jelöltek súlyozott kombinálása
b) Sűrűségbecslés a makulán
Kétféle hibamérés 1. Sárgafolt hibafüggvény
Egyedi algoritmusok torzítatlan jelöltjei optimálisan súlyozott eloszlása
Bevezetés
Bevezetés
Algoritmusok
Algoritmusok
Kombinálás
Kombinálás
Eredmények
Eredmények
Jövőbeli tervek
Jövőbeli tervek
a) Fovea jelöltek egy képre vetítve
b) Sűrűségbecslés a makulán
Sárgafolt hibája
Egyedi algoritmusok
Látógödör hibája
Kombinált rendszer
Tesztadatbázisok Diaretdb0
PDS
SNN
FPGOS
75 %
63 %
Algoritmusok
Diaretdb1
76 %
Kombinálás
Drive Összes kép
Bevezetés
83 %
Egyszerű átlag 86 %
Súlyozott átlag 85 %
74 %
78 %
94 %
94 %
Algoritmusok
75 %
80 %
53 %
92 %
97 %
Kombinálás
75%
69%
78%
90,2%
90,7%
Eredmények Jövőbeli tervek
2. Látógödör hibafüggvény
Bevezetés
Egyedi algoritmusok TesztPDS SNN FPGOS adatbázisok Diaretdb0 és 24 20 32 Diaretdb1
Kombinált rendszer Egyszerű Súlyozott átlag átlag (PCA) 19 16
Eredmények
A makula megtalálásának pontossága az egyedi algoritmusok, illetve azok kombinálása esetén (Makula hiba)
Jövőbeli tervek
A fovea megtalálási pontosságának további javítása főkomponens analízissel kapott súlyozott átlag használatával (Fovea hiba)
9
2010.01.14.
Jelöltek kiválasztása 2010.01.14. 22:46
Elváltozások detektálása Antal Bálint (PhD hallgató), Kovács György (PhD hallgató), Lázár István (PhD hallgató), Rashid Jalal Quereshi (PostDoc kutató)
56
Mikroaneurizma detektálása – normalized cut cut--alapú
Jelöltek kiválasztása 2010.01.14. 22:46
2010.01.14. 22:46
57
58
Mikroaneurizma detektálása – normalized cut cut--alapú 2010.01.14. 22:46
Klinikai protokollnak megfelelő döntés
59
10
2010.01.14.
Klinikai protokoll (Moorefields (Moorefields)) 2010.01.14. 22:46
Klinikai protokoll (Moorefields (Moorefields)) 2010.01.14. 22:46
61
62
Metaadat leírás (XML) 2010.01.14. 22:46
Döntési szabályok (schematron (schematron)) 2010.01.14. 22:46
<sch:report test="(haemorrhage/detectable) or (microaneurysm/detectable)"> Diagnosis: Background retinopathy (R1). <sch:report test="((haemorrhage/detectable) or (microaneurysm/detectable)) and ((venousbeading/detectable) or (venousloop/detectable) or (venousreduplication/detectable) or (cottonwoolspot/detectable) or (IRMA/detectable) or (count(haemorrhage/detectable/location) >=2))"> Diagnosis: Pre-proliferative retinopathy (R2). <sch:report test="((haemorrhage/detectable) or (microaneurysm/detectable)) and ((newvessel/detectable) or (haemorrhage/detectable/location[@type='pre-retinal']) or (haemorrhage/detectable/location[@type='vitreous']) or (fibrosis='pre-retinal') or (detachement='tractional')"> Diagnosis: Proliferative retinopathy / rubeosis iridis (R3).
63
64
Köszönjük a figyelmet!
11