1 / 34

Distintas técnicas para la segmentación retinal

Distintas técnicas para la segmentación retinal. Álvaro Gala Guzmán. OBJETIVO : SEGMENTAR AUTOMÁTICAMENTE LA RETINA MEDIANTE TRATAMIENTO DIGITAL. Segmentar los vasos sanguíneos Segmentar el disco óptico Segmentar exudaciones Utilidad: Detección y prevención de transtornos en la visión.

boris-pickett
Download Presentation

Distintas técnicas para la segmentación retinal

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Distintas técnicas para la segmentación retinal Álvaro Gala Guzmán

  2. OBJETIVO: SEGMENTAR AUTOMÁTICAMENTE LA RETINA MEDIANTE TRATAMIENTO DIGITAL • Segmentar los vasos sanguíneos • Segmentar el disco óptico • Segmentar exudaciones Utilidad: Detección y prevención de transtornos en la visión

  3. IMÁGENES UTILIZADAS: RETINOGRAFÍAS Escala de grises con vasos sanguíneos en oscuro Escala de grises con vasos sanguíneos en claro Color RGB HLS

  4. TÉCNICAS UTILIZADAS • Operadores morfológicos (erosiones, dilataciones, aperturas, cierres, top-hats, gradientes…) • Reconstrucciones geodésicas • Reconstrucción por dilatación • Reconstrucción por erosión dj ( J ) = ( JB)I Dilatación geodésica gS(J) = dj ( J ) Reconstrucción Hasta estabilidad j ( J ) = ( J⊝B)I Erosión geodésica S(J) = j ( J ) Reconstrucción Hasta estabilidad

  5. TÉCNICAS UTILIZADAS • Filtros espaciales • Filtro LoG Laplacian (Gaussian =1.75,with=7 px (Img)) • Filtro ASF ASF(Img)= f(nB)(…(g(2B)((f(B)(g(B)(Img))))...) • Variación local de nivel gris V(x)= [1/(N-1)]Sxe W(x)(Img(x) - mimg(x))2

  6. TRANSFORMACIÓN WATERSHED • Segmenta la imagen de manera “demasiado” efectiva Idea: Tomar la imagen como una superficie montañosa en la que el valor de gris de cada píxel denota la altitud en ese punto. Imagen original Detección de bordes (gradiente morfológico: G(img)=(img  b) – (img  b)) El gradiente es interpretado como un relieve

  7. TRANSFORMACIÓN WATERSHED • Vicent y Soille (1991): Simular un proceso de inundación Problemas: - Tiempo de ejecución alto - No segmenta completamente • “Agujerear” mínimos • Inundar: empezando por los mínimos de más baja altitud, el agua irá rellenando las cuencas, convirtiéndolas en lagos. • En los puntos donde el agua viene de diferentes mínimos se construye una “presa”. (Regiones Watershed asociada a cada mínimo)

  8. TRANSFORMACIÓN WATERSHED BASADA EN CÓDIGOS DE CADENA • Simular un proceso de lluvia: • Cuando cae una gota de lluvia, ésta fluye ladera abajo hacia su correspondiente mínimo, desplazándose a traves de píxeles conexos mínimos, cumpliéndose: camino L =pl pl-1,…, p1 p0 , donde gris(pl)>=…>= gris(pi)>= gris(pi-1) >=…>= gris(p0) - Todas las rutas Li que terminen en el mismo mínimo (sumidero) formarán la cuenca asociada a él.

  9. TRANSFORMACIÓN WATERSHED BASADA EN CÓDIGOS DE CADENA • Implementación: • Códigos point-out y point-in • Etiquetar regiones (cuencas) siguiendo los point-in desde cada sumidero • Etiquetar point-out y point-in de los píxeles con vecinos más bajos • Propagar etiquetas a través de colas fifo por las mesetas - Tiempo de ejecución muy bajo - Segmenta completamente (en exceso) 4 regiones

  10. SOLVENTAR LA SOBRESEGMENTACIÓN: MEZCLA DE REGIONES • Watershed demasiado eficiente Sobresegmentación (~10134 regiones) Original • Solución: Mezclar regiones hasta obtener una segmentación aceptable

  11. e e 2 3 1 ab b a 6 5 4 c c d d MEZCLA DE REGIONES • Mezclar en cada paso las dos regiones adyacentes con menor valor d(,) • Crear grafo no dirigido RAG (Region Adyacency raph) Mezclar regiones con proceso iterativo siguiendo el valor de desimilitud: • En cada paso: • - Encontrar los dos nodos con menor valor de d • Eliminamos dichos nodos • Añadimos uno nuevo mezcla de los dos • Recalculamos área, intensidad media, regiones adyacentes, nuevos d Área de la región Posibles condiciones de parada: - Alcanzar un valor umbral de d - Llegar a un número determinado de regiones con: Intensidad media de gris en la región

  12. MEZCLA DE REGIONES Imagen sobresegmentada por el Watershed

  13. SEGMENTANDO VASOS SANGUÍNEOS • Preprocesamiento • Reducción de ruido • Evaluación de curvatura • Filtros lineales • Binarización o Watershed

  14. SEGMENTANDO VASOS SANGUÍNEOS: PREPOCESAMIENTO Redimensionar a 512 píxeles de ancho Invertir Extraer canal verde + Invertir

  15. SEGMENTANDO VASOS SANGUÍNEOS: REDUCCIÓN DE RUIDO BLANCO Maxi=1..12{gLi(Img)} Máximo de las 12 aperturas con los elementos estructurales: 15º 15x1 píxeles

  16. SEGMENTANDO VASOS SANGUÍNEOS: REDUCCIÓN DE RUIDO BLANCO Rec.Geodésica del max. aperturas Eliminamos ruido blanco, dejando intactos los vasos sanguíneos.

  17. SEGMENTANDO VASOS SANGUÍNEOS: REDUCCIÓN DE RUIDO BLANCO Sumatorio detop-hats i=1..12 {Imgant - gLi(Img)} Reduce ruido blanco y mejora el contraste de las partes lineales. En este momento, podríamos obtener una primera segmentación de los vasos realizando una binarización, pero continuaremos nuestro algoritmo realizando un estudio de la curvatura.

  18. SEGMENTANDO VASOS SANGUÍNEOS: EVALUACIÓN DE CURVATURA Y FILTROS LINEALES EVALUACIÓN DE CURVATURA FILTROS LINEALES Nueva recons. geodésica por dilatación sobre el máx. de las 12 aperturas seguida de recons. geodésica por erosión sobre el mínimo de los doce cierres Gaussiano Laplaciano Laplacian[Gaussian=1.75,with=7 px (Imgant)]

  19. SEGMENTANDO VASOS SANGUÍNEOS: BINARIZACIÓN O WATERSHED Binarización Watershed ¿Qué elegir? Dependerá de la imagen y de la información que nos sea más útil.

  20. SEGMENTANDO EL DISCO ÓPTICO • Preprocesamiento y espacios de color • Localizar el disco • Encontrar los contornos usando Watershed

  21. SEGMENTANDO EL DISCO ÓPTICO: PREPROCESAMIENTO Y ESPACIOS DE COLOR Canal L (Luminancia en HLS) Localización Disco zona muy brillante Canal R (Red en RGB) Imagen original a color redimensionada Detectar contornos Contornos del disco mejor contrastados

  22. SEGMENTANDO EL DISCO ÓPTICO: LOCALIZAR EL DISCO Usaremos la Variación Local de gris para encontrar el disco. ¿ Es el disco la región con mayor variación de gris? Si no existen exudaciones => SÍ Canal L Solución: “Difuminar” variaciones del fondo medianteshade-correction: s-c=CanalL – ASF(CanalL) + K, ASF(Img)= f(nB)(…(g(2B)((f(B)(g(B)(Img))))...) Shade-corrected

  23. SEGMENTANDO EL DISCO ÓPTICO: LOCALIZAR EL DISCO Ahora sí: Variación Local V(x)= [1/(N-1)]Sxe W(x) (Img(x) - mimg(x))2 Con N ~ 1/7 del tamaño de la imagen (Tamaño del disco óptico) Centroide

  24. SEGMENTANDO EL DISCO ÓPTICO: ENCONTRAR CONTORNOS DEL DISCO Eliminamos picos blancos y reconstruimos Eliminamos vasos Canal R Cierre Apertura y Reconstrucción geodésica

  25. SEGMENTANDO EL DISCO ÓPTICO: ENCONTRAR CONTORNOS DEL DISCO Aplicamos WATERSHED acotándolo con marcas para segmentar el contorno: marca interna: centroide ; marca externa: circunferencia Gradiente(Imgant) si x e {centroide}U Circunferencia Valor_max e.o.c. M(x)= Watershed [ Recons_erosión Gradiente(Imgant)(M) ] Watershed sobre el gradiente Watershed acotado con marcas

  26. SEGMENTANDO EXUDACIONES • Preprocesamiento y espacios de color • Encontrar regiones candidatas • Encontrar los contornos

  27. SEGMENTANDO EXUDACIONES: PREPROCESAMIENTO Y ESPACIO DE COLOR • Exudaciones: Depósitos intrarrenales que aparecen como formas brillantes. Están bien contrastadas con respecto al fondo que las rodea. Mejor contraste de las exudaciones. Problemas: - El disco puede confundirse con una exudación - Las regiones más claras entre vasos sanguíneos (oscuros) producen también un alto contraste local Redimensionar Canal verde (G, RGB)

  28. SEGMENTANDO EXUDACIONES: ENCONTRAR REGIONES CANDIDATAS N = 5 Aplicamos cierre para eliminar vasos Variación local V(x)= [1/(N-1)]Sxe W(x) (Img(x) - mimg(x))2 Dilatamos y rellenamos agujeros mediante reconstrucción por erosión Binarización a1

  29. SEGMENTANDO EXUDACIONES: ENCONTRAR REGIONES CANDIDATAS Borramos de la imagen una versión dilatada del disco óptico

  30. SEGMENTANDO EXUDACIONES: ENCONTRAR REGIONES CANDIDATAS Canal verde Regiones candidatas a exudaciones

  31. SEGMENTANDO EXUDACIONES: ENCONTRAR LOS CONTORNOS - Img= Recons_dilatación Canal_verde(Imgant) -Resultado= Binarización a2 [ Canal_verde – Img ] • Algoritmo de detección de componentes conexas • Contabilizar exudaciones y calcular sus áreas

  32. ¿Preguntas?

More Related