Clasificaci-n-de-im-genes-oftalmol-gicas-mediante-descriptores-de-textura-aplicabilidad-en-un-siste

La retinopatía diabética (RD) es una de las principales causas de pérdida irreversible de la visión en el mundo, pero que de ser tratada a tiempo, sería evitable. Para frenar el deterioro ocular que provoca esta enfermedad es crucial un diagnóstico precoz mediante el examen periódico de las imágenes de fondo de ojo de los pacientes diabéticos. Además, debido al creciente número de casos de diabetes a nivel mundial y la repetitividad y subjetividad de la evaluación de las retinas, existe un gran interés en que los servicios oftalmológicos cuenten con un sistema automatizado de diagnóstico de la RD. Este Trabajo de Fin de Grado pretende evaluar la viabilidad de un algoritmo capaz de proporcionar un diagnóstico de la retinopatía diabética valiéndose de técnicas de procesamiento de imagen y aprendizaje automático. En primer lugar, se extraerán las una serie de características de la imagen (descriptores de textura) a partir de los cuales resulte posible discriminar los signos propios de las retonopatías como los microaneurismas, las hemorragias y los exudados: distintas características a partir de las matrices de coocurrencia, diferentes extensiones de los patrones binarios locales (LBP) y en último lugar, una nueva versión de los LBP en la que se incluye la información cromática del fundus. Las imágenes incluyen ciertos elementos que no contribuyen a esta discriminación, como la red vascular, el disco óptico y el background. Los descriptores de textura no deben aplicarse sobre estos elementos y por tanto deben eliminarse. Además, es habitual que las imágenes estén contaminadas por el ruido que está presente en cualquier dispositivo electrónico durante la etapa adquisición, por ello, es conveniente que sean previamente acondicionadas mejorando su calidad, eliminando este ruido digital y aumentando el contraste entre el fondo de ojo y los elementos que aparecen sobre él. A continuación, cada imagen será clasificada utilizando distintos algoritmos de aprendizaje supervisado, en este caso, los k vecinos más cercanos (kNN) y las máquinas de vector soporte (SVM). Finalmente, los distintos modelos propuestos son sometidos a evaluación por medio de validación cruzada para determinar que método proporciona un diagnóstico más preciso y fiable. Los resultados experimentales muestran que incluir la información aportada por el color al descriptor ICS-LBP utilizado junto con el SVM de kernel Radial Basis Function (SVM-RBF) propociona las mejores tasas de acierto en la clasificación, con un 73,17% de precisión, un 72,51% de sensibilidad y un 73,82% de especifidad.