Resumen de Procesado de retinografías basado en redes neuronales para la detección automática de lesiones asociadas a la retinopatía diabética
La Retinopatía Diabética (RD) es una complicación visual de la diabetes que se ha convertido en la principal causa de pérdida de visión en países desarrollados. En este trastorno, la diabetes produce daños en los pequeños vasos sanguíneos de la retina. Esto causa la aparición de diversas lesiones retinianas, entre las que se encuentran las lesiones rojizas (LRs), como hemorragias (HEs) y microaneurismas (MAs), y depósitos de material lipídico denominados exudados duros (EXs). En las etapas más avanzadas de la enfermedad, el daño vascular provoca que se interrumpa la aportación de oxígeno a los receptores visuales. La retina responde formando nuevos vasos, pero estos son anómalos y bloquean la visión.
La fotocoagulación retiniana consigue retardar la evolución de la enfermedad pero no recupera la visión perdida. Por esta razón es importante diagnosticar la enfermedad en sus primeras etapas, cuando el tratamiento es más efectivo. Sin embargo, esto no es sencillo, puesto que el paciente no percibe síntomas visuales cuando la enfermedad se encuentra en sus primeros estadíos. Con el fin de asegurar una detección temprana y un tratamiento adecuado se ha propuesto realizar un despistaje regular de la retina de todos los pacientes diabéticos. Se ha demostrado que el incluir retinografías o imágenes de fondo de ojo como parte del protocolo de examen es un método de elevada sensibilidad y especificidad para el diagnóstico de la RD en la población de riesgo. No obstante, con la creciente incidencia de la diabetes, el número de imágenes que han de ser revisadas por los expertos se ha incrementado notablemente. Esto, unido a la carencia de oftalmólogos especialistas, provoca que el tiempo para obtener una valoración clínica de una retinografía se incremente. Por lo tanto, la detección automática de lesiones asociadas a la RD en imágenes de fondo de ojo podría suponer una importante herramienta de ayuda en el diagnóstico de la enfermedad.
En esta Tesis Doctoral se propone el desarrollo de métodos automáticos basados en redes neuronales (NNs) para la detección de dos tipos de lesiones asociadas a la RD: EXs y LRs. Estos modelos computacionales se inspiran en sistemas biológicos para tratar información masiva, redundante y distorsionada procedente del entorno. Las NNs se han empleado con éxito en diversas tareas de clasificación, incluidas tareas de análisis de retinografías. En esta Tesis Doctoral se han estudiado y comparado las NNs de tipo perceptrón multicapa (MLP), funciones de base radial (RBF), máquinas de vector soporte (SVM) y fuzzy ARTMAP. Asimismo, se han incluido en la comparación dos clasificadores obtenidos combinando los anteriores mediante dos sistemas de votaciones: voto por mayoría y voto por mayoría ponderado.
En el procesado automático de retinografías y en la detección de este tipo de lesiones existen dificultades añadidas. En primer lugar, las características de una imagen de fondo de ojo están muy relacionadas con las particularidades físicas del paciente y con el proceso de adquisición. Esto provoca que exista una gran variabilidad en las imágenes que aparecen en un entorno clínico, por lo que los métodos automáticos han de adaptarse a imágenes muy heterogéneas. En segundo lugar, la detección de EXs y LRs se ve obstaculizada por la presencia de determinadas estructuras oculares con características de color y de forma similares a las de estas lesiones. Este es el caso de la papila en la detección de EX y de los vasos sanguíneos retinianos en la detección de LRs. Finalmente, la presencia de otro tipo de lesiones y artefactos con características similares a las de los EXs y LRs puede provocar también la aparición de detecciones incorrectas. Para evitar estas dificultades y mejorar la precisión del método ha sido necesario completar la etapa de clasificación con NNs con otras etapas adicionales. Entre ellas cabe destacar la localización y segmentación tanto de la papila como del árbol vascular. Asimismo, los métodos propuestos en este trabajo se han probado sobre una base de datos de retinografías amplia y con características variables de color, luminosidad y calidad. Éstas imágenes presentan, además, diversas lesiones y artefactos con características similares a las de EXs y LRs que se tratarán de eliminar.
Los resultados obtenidos permiten comprobar como las combinaciones de clasificadores estudiadas proporcionan un mejor compromiso entre localizar un elevado número de lesiones en las retinografías y detectar un número reducido de falsos positivos. La combinación empleando voto por mayoría permite tener estas ventajas sin el inconveniente de la mayor complejidad del segundo sistema de votaciones. Asimismo, los resultados observados permiten concluir que los métodos propuestos son adecuados para detectar EXs y LRs en retinografías y pueden suponer una ayuda importante para los oftalmólogos en el despistaje de la RD y en la práctica clínica.
