Un clasificador híbrido de campos visuales de ayuda al diagnóstico precoz del glaucoma

1. Universidad de Valladolid E. T. S. I. Informática Departamento de Informática Un clasificador híbrido de campos visuales de ayuda al diagnóstico precoz del glaucoma María Aránzazu Simón Hurtado Luis Alonso Romero Alfonso Antón López ASAI 2004

2. Contenido • Introducción • Antecedentes. Estado del arte • Análisis del campo visual • Clasificador híbrido de campos visuales de ayuda al diagnóstico del glaucoma • Conclusiones

3. IntroducciónPlanteamiento del problema • Definición de glaucoma • Importancia: • Frecuencia • Enfermedad asintomática • Necesidad de realizar un diagnóstico precoz. • Análisis del campo visual: exploración fundamental.

4. Normal Patológica Nº de individuos (frecuencia) 21 PIO (mmHg) IntroducciónPlanteamiento del problema • Diagnóstico del glaucoma • Lesión anatómica del nervio óptico • Aumento de la presión intraocular (PIO) • Lesión funcional del campo visual (CV)

5. IntroducciónObjetivo • Conseguir un sistema de ayuda al diagnóstico precoz del Glaucoma Primario de Ángulo Abierto, capaz de recoger y manejar la experiencia del experto y alcanzar unos resultados lo más cercanos a éste posibles.

6. Contenido • Introducción • Antecedentes. Estado del arte • Análisis del campo visual • Clasificador híbrido de campos visuales de ayuda al diagnóstico del glaucoma • Conclusiones

7. Antecedentes. Estado del Arte • Interpretación del campo visual • Perimetría computerizada • Índices: MS, MD, LV, SF, ... • Métodos estadísticos • Nuevos índices • Análisis de agrupamientos • Análisis discriminante con regresión logística • Distribución del CV en zonas • Sistemas Expertos (Krakau[1987], el SE OCTOSMART de Hirsbrunner, Bebie[1990], Martin [1993] ) • Redes Neuronales Artificiales (Goldbaum [1994], Reyes [1998])

8. Contenido • Introducción • Antecedentes. Estado del arte • Análisis del campo visual • Clasificador híbrido de campos visuales de ayuda al diagnóstico del glaucoma • Conclusiones

9. Análisis del campo visualObjetivos • Obtener un buen clasificador de CV que diferencie entre glaucoma y no glaucoma. • Conseguir un clasificador que nos permita distinguir las cinco clases de los datos.

10. Análisis del campo visualDescripción de los datos • Procedencia de los datos: Hospital Clínico Universitario de Valladolid (España). • Campos visuales en estadios incipientes.

11. Análisis del campo visualDistribución del campo en zonas • Datos utilizados: • Defectos de sensibilidad (en decibelios) de los 59 puntos que proporciona el campímetro Octopus • Defecto medio (MD) • Varianza de la pérdida (LV) 3 2 • Se divide el campo visual en 7 zonas y se calcula: • la media de los defectos de sensibilidad de cada zona • la desviación estándar 1 7 6 5 4 • vectores de 7, 8 ó 9 parámetros • vectores de 14, 15 ó 16 parámetros

12. Análisis del campo visualTécnicas de clasificación • Redes Neuronales Artificiales • Mapas autoorganizados de Kohonen (SOM) • GESL • Razonamiento Basado en Casos (CBR)

13. Análisis del campo visualMapas autoorganizados de Kohonen (SOM) • Software SOM_PAK 3.1. Limitaciones: • Relación tiempo de introducción de datos/tiempo de entrenamiento. • Falta de automatización. • Asignación de etiquetas. • Soluciones Aportadas • Desarrollo de un entorno integrado de entrenamiento de Mapas Autoorganizados implementado en Visual C++ para el entorno Windows: GESL (Generador de experimentos SOM y LVQ). • Modificación de los algoritmos del software SOM_PAK 3.1.

14. Análisis del campo visualMapas autoorganizados de Kohonen Modificación de los algoritmos del SOM_PACK • Etiquetado o calibración del mapa • Evaluación del mapa • Se calcula la distancia entre el vector de pesos de un ejemplo y cada uno de los vectores de pesos del mapa entrenado. • En la neurona ganadora se almacena la etiqueta del ejemplo que la ha activado. • Cada neurona se etiqueta con la clase que más ejemplos han caído en esa neurona. • Si hay dos clases con el mismo número de ejemplos se etiqueta con la clase cuya suma de distancias a esa neurona es menor. • Si no ha caído ningún ejemplo en una neurona se deja provisionalmente sin etiqueta. • Se calcula la distancia entre la neurona sin etiqueta y todas las demás del mapa. Se le asigna la etiqueta de la más cercana en cuanto a distancia euclídea. • Se calcula la sensibilidad y especificidad para cada una de las clases de salida del mapa. • GESL busca los n mejores atendiendo a la mejor precisión diagnóstica o tasa de aciertos.

15. Análisis del campo visualSOM. Resultados • Datos de entrada: 59 puntos del CV

16. Análisis del campo visualSOM. Resultados • Datos de entrada: 7 zonas del CV

17. Análisis del campo visualSOM. Comparación • La reducción de dimensionalidad en los vectores de entrada según las 7 zonas ha mejorado los resultados.

18. Análisis del campo visualComparación con trabajos anteriores

19. Análisis del campo visualComparación con trabajos anteriores

20. Contenido • Introducción • Antecedentes. Estado del arte • Sistemas Expertos: Glaucom-Easy • Clasificador híbrido de campos visuales de ayuda al diagnóstico del glaucoma • Conclusiones

21. CHADGClasificador del CV • Diseño arquitectónico Defectos 59 puntos CV Sistema Experto CV CV Normal, Dudoso o Patológico Reglas de integración Medias defectos 7 zonas CV y Defecto Medio Mapa SOM

22. CHADGClasificador del CV • Diseño arquitectónico Defectos 59 puntos CV Sistema Experto CV CV Normal, Dudoso o Patológico Reglas de integración Medias defectos 7 zonas CV y Defecto Medio Mapa SOM

23. CHADGClasificador del CV • Diseño arquitectónico Defectos 59 puntos CV Sistema Experto CV CV Normal, Dudoso o Patológico Reglas de integración Medias defectos 7 zonas CV y Defecto Medio Mapa SOM

24. CHADGClasificador del CV • Diseño arquitectónico Defectos 59 puntos CV Sistema Experto CV CV Normal, Dudoso o Patológico Reglas de integración Medias defectos 7 zonas CV y Defecto Medio Mapa SOM

25. ZONA PARACENTRAL SUPERIOR ZONA TEMPORAL SUPERIOR ZONA CENTRAL ZONA NASAL ZONA TEMPORAL INFERIOR ZONA PARACENTRAL INFERIOR CHADGSE para el diagnóstico del CV • Método cuantitativo para valorar el CV • Datos de entrada al SE: 59 puntos del CV • Importancia de las zonas • Nasal superior e inferior • Paracentral superior e inferior • Temporal superior e inferior • Central • El SE busca agrupamientos arciformes alrededor del centro del CV • Se ha tenido en cuenta la distribución de los defectos y no su profundidad • Clasifica en glaucoma, no glaucoma o dudoso

26. CHADGElección y modificación del mapa SOM • Elegimos el mejor mapa SOM que clasifica en dos categorías: glaucoma y no glaucoma • Topología del mapa SOM elegido • Modificación de etiquetas para clasificar campos dudosos

27. CHADGClasificador del CV • Resultados

28. CHADGValidación • Muestra • Valoraciones del experto sobre el CV

29. CHADGValidación de la clasificación del CV • Número de ejemplos que han sido clasificados como dudosos • Resultados

30. Contenido • Introducción • Antecedentes. Estado del arte • Análisis del campo visual • Clasificador híbrido de campos visuales de ayuda al diagnóstico del glaucoma • Conclusiones

31. Conclusiones • Los resultados obtenidos en la clasificación de CV mediante mapas SOM han sido satisfactorios. • Mediante la modificación introducida en los algoritmos del SOM se ha conseguido mejorar los resultados. • La reducción de los parámetros de entrada en la clasificación del CV, dividiendo éste en siete zonas mejora los resultados de todos los experimentos. • Las redes neuronales artificiales y en particular los mapas autoorganizados son una herramienta adecuada para clasificar campos visuales en oftalmología.

32. Conclusiones Como conclusiones finales se puede destacar que: • Con la mezcla de clasificadores de distinta naturaleza logramos mejorar la precisión de los resultados de cada uno por separado. • Hemos obtenido un sistema de ayuda al diagnóstico precoz del glaucoma que tiene una PD de 97% con 31% de casos dudosos frente a una PD de 91% y 50% de casos dudosos ofrecidos por un experto.

33. Universidad de Valladolid E. T. S. I. Informática Departamento de Informática Un clasificador híbrido de campos visuales de ayuda al diagnóstico precoz del glaucoma María Aránzazu Simón Hurtado Luis Alonso Romero Alfonso Antón López ASAI 2004