Vessel Segmentation Project / Progetto di segmentazione dei capillari

IN ITALIAN ONLY

TESI DI LAUREA:
"Studio delle tecniche di segmentazione dei capillari su fondo oculare".
Relatore: Prof. A. Mecocci - A.A. 2008/2009.

ABSTRACT:

L’analisi delle immagini del fondo oculare è largamente usata dalla comunità medica per diagnosticare patologie vascolari e non vascolari di enorme importanza quali ipertensione, diabete, arteriosclerosi e problemi cardiovascolari [1]. In particolare la retinopatia diabetica, la maggiore causa della cecità adulta, è causata dal cambiamento della struttura e della distribuzione dei capillari e richiede accurati e frequenti controlli del fondo oculare da parte degli specialisti [2]. Un’analisi assidua e precoce dei cambiamenti della configurazione dei capillari può prevenire la maggior parte dei casi di perdita di vista [3, 4]. Un aspetto fondamentale è rappresentato dall’estrazione accurata della mappa dei vasi sanguigni (capillari, vene e arterie): infatti, molte caratteristiche della rete vascolare, come il diametro dei vasi, il grado di ramificazione e la presenza di neovascolarizzazioni, hanno un notevole valore diagnostico [5, 6]. La struttura dei capillari retinici è usata anche in biometria per l’identificazione delle persone nei sistemi di sicurezza. La configurazione vascolare del fondo oculare, tra tutte le possibili caratteristiche biometriche, possiede il più basso error rate, risulta più stabile nel tempo ed è praticamente impossibile da contraffare. Detto ciò, il campo di utilizzo è comunque limitato a causa degli elevati costi e alla lieve scomodità procurata agli utenti durante l’acquisizione dell’immagine. Questi svantaggi potrebbero essere superati, ma a causa della varietà di dispositivi biometrici disponibili, non è semplice prevedere il futuro di questa particolare applicazione [7]. L’estrazione della rete vascolare della retina può essere facilitata da sistemi di analisi automatica che hanno il compito di segmentare un’immagine al fine di separare i capillari dallo sfondo. In letteratura, gli approcci usati per la segmentazione sono molti, più o meno efficienti, con risultati inferiori rispetto alle capacità di individuazione delle imperfezioni da parte di un uomo, non necessariamente specialista. In particolare un uomo è in grado di determinare più accuratamente le imperfezioni in prossimità del disco ottico e i capillari di piccole dimensioni [8, 9]. I metodi di segmentazione maggiormente implementati sono rappresentati dalle seguenti categorie:


Metodi a finestra (matched filter rensponse (MFR), multisoglia);

Metodi di tracking (modelli a profilo Gaussiano, trasformata di Hough);

Metodi supervisionati (multisoglia, trasformata Wavelet);
 Filtraggio morfologico e non lineare.

Metodi a finestra

I metodi a finestra (edge detector) stimano l’accoppiamento/simiglianza tra ogni pixel, per una data maschera, con i pixel nel suo intorno all’interno di una finestra. Per esempio, in [10] la sezione tras
versa dei capillari nelle immagini retiniche è modellata mediante una curva gaussiana e determinata usando filtri adattati ruotati. In [11] vengono usati dei filtri adattati per enfatizzare i capillari. Un ulteriore miglioramento di quest’ultimo metodo è stato ottenuto tramite un thresholding basato sulle regioni della risposta al filtro adattato. Lo svantaggio di tali metodi è dovuto al fatto che le proprietà macroscopiche dei capillari (come la struttura della rete capillare) devono essere trascurate per essere computazionalmente implementabili.

Metodi Tracking
I metodi basati sull’inseguimento utilizzano un modello (generalmente a profilo gaussiano) per inseguire e segmentare i capillari in modo incrementale utilizzando informazioni a livello locale: un esempio di metodo automatico è descritto in [12] dove il tracking dei capillari, a partire dai punti iniziali, utilizza un fitting non lineare ai minimi quadrati. In [13] la trasformata Hough è utilizzata per localizzare la pupilla nell’immagine retinica, a partire dalla quale la tracciatura procede iterativamente fino a fermarsi quando la risposta di un filtro adattato 1D è minore di una determinata soglia. In [14] l’utilizzo di filtri Gaussiani e di Kalman permette il tracking dei capillari fino ad ottenere la struttura vascolare con particolare accuratezza nella misura dei diametri e dei punti di diramazione. Uno svantaggio di questi approcci è la loro predisposizione per le terminazioni e i punti di diramazione che non sono ben modellati da filtri 1D; un ulteriore svantaggio è la loro dipendenza da metodi poco sofisticati per la localizzazione dei punti iniziali (generalmente i punti iniziali vengono immessi da utente).

Metodi supervisionati
I metodi supervisionati consistono di due passi: inizialmente un algoritmo di basso livello esegue una segmentazione delle regioni spazialmente connesse dopo di che queste regioni sono classificate come vessel o non vessel. Alcuni metodi
supervisionati per la classificazione dei pixel presenti in letteratura sono [15, 16]. La scelta delle features è il punto cruciale di tali approcci: per esempio, il vettore delle features può essere l’insieme dei livelli di grigio dei pixel contenuti in una finestra centrata nel pixel da classificare [16]. Più in generale, può essere costituito da un insieme di misure di certi parametri che sono definiti per lo specifico problema. Nei problemi di estrazione dei capillari da immagini del fondo oculare è molto usata la trasformata wavelet, che consente di estrarre features mirate e importanti nel processo di classificazione. Spesso viene valutato un numero molto elevato di features dalle quali vengono selezionate quelle più significative che forniscono la migliore separabilità delle classi. Lo svantaggio di tali approcci è dato dall’impossibilità di utilizzare le informazioni delle proprietà macroscopiche dei capillari fino a quando la segmentazione di basso livello non è stata completata. Queste conoscenze non possono essere utilizzate per ‘pilotare’ la segmentazione, ma soltanto per valutarla.

Filtraggio morfologico e non lineare
Un’ulteriore possibilità è data dall’uso di un filtro non lineare che esalta i capillari sfruttando le proprietà dei loro profili [17], oppure in [18] viene impiegato il filtraggio morfologico insieme alla valutazione della curvatura. Quest’ultimo metodo è molto utile per rivelare e contare i microaneurismi nelle immagini ottenute da camera non-midriatica.

Oggetto della presente relazione è uno studio delle tecniche di segmentazione dei capillari su fondo oculare. Dalle informazioni raccolte negli articoli presenti in letteratura, è stato possibile trarre alcune conclusioni che hanno determinato la scelta della strategia/metodo di segmentazione nell’analisi effettuata. Tale scelta si è basata su due considerazioni:
1. le prestazioni dei vari approcci sono confrontabili tramite ispezione visiva e analisi delle curve ROC;
2. alcuni metodi sono migliori per la misura di determinati parametri dei capillari quali il diametro, difetti etc., altri sono migliori nel valutare le diramazioni e altri ancora riescono ad estrarre caratteristiche di livello globale come la mappatura vascolare, ma sono deboli sotto gli altri punti di vista.



Quello che appare evidente è l’assenza di un metodo capace in assoluto di avere prestazioni superiori rispetto agli altri. Conseguentemente la scelta deve essere presa in funzione dell’obiettivo finale che si vuole ottenere. Questo lavoro si propone di ottenere una segmentazione di livello globale simile a quella visibile in (Figura 1): la scelta è ricaduta su di un metodo capace di segmentare le immagini del fondo oculare separando i capillari dallo sfondo con una complessità non eccessiva e nello stesso tempo con le prestazioni migliori possibili. Considerato ciò, è stato scelto di realizzare un metodo per la segmentazione automatica dei capillari su fondo oculare simile a quello proposto in letteratura [19, 20]. L’approccio di tipo
supervised classification consente di segmentare le immagini classificando ciascun pixel come vessel o non vessel sulla base dell’analisi del vettore delle features ad esso associato. Il vettore è composto dall’intensità dei pixel e dalla risposta della trasformata Wavelet 2D (Gabor filter) presa per diversi valori di scala (Figura 1.6). La wavelet di Gabor, grazie alla sua direzionalità, è in grado di sintonizzarsi su specifiche frequenze in modo da consentire l’esaltazione dei capillari e il filtraggio del rumore in un solo passo [21]. Per quanto riguarda la classificazione è stato scelto un approccio di  tipo supervised classification che impiega un classificatore bayesiano, noto anche  come classificatore Gaussian Mixture Model (GMM), in cui ogni funzione di densità di probabilità condizionata alla classe (likelihood) è descritta come una combinazione lineare di funzioni gaussiane [22, 23]. Tali scelte producono una classificazione veloce e sono in grado di modellare superfici di decisione abbastanza complesse. La stima delle densità di probabilità condizionate alle classi è basata su di un insieme di training di pixel etichettati tramite una segmentazione manuale. Le prestazioni del metodo scelto sono comparabili, se non superiori, allo stato dell’arte presente in letteratura e la complessità di realizzazione non è eccessiva. Il vantaggio principale nell’uso di una classificazione supervisionata è quello di un algoritmo di segmentazione veloce e dipendente solamente dalle immagini segmentate manualmente necessarie per il training. L’assenza di una dipendenza significativa da altri parametri è una delle caratteristiche fondamentali per la diffusione di una tecnologia su larga scala (ambito medico nel caso in questione). Un altro vantaggio importante è dato dall’uso della trasformata wavelet di Gabor che è capace di rivelare le singolarità (edge) e ha un’elevata selettiva in frequenza, entrambe  caratteristiche molto importanti per la corretta estrazione dei capillari.

BIBLIOGRAPHY:

[1] J. J. Kanski, “Clinical ophthalmology: A systematic approach,” London, Butterworth-Heinemann, 1989.

[2] T. Sussman and Soper, “Diagnosis of diabetic eye disease,” American Medical Association, vol. 247, pp. 3231 – 3234, 1982.

[3] T. Lee, McCarty and Keeffe, “Costs of mobile screening for diabetic retinopathy: A practical framework for rural populations,” Aust. J. Rural Health, vol. 8, pp. 186 – 192, 2001.

[4] H. Taylor and J. Keeffe, “World blindness: A 21st century perspective,” Brit. J. Ophthalmol, vol. 85, pp. 261 – 266, 2001.

[5] H. J. C. McQuellin and G. Joss, “Characterisation of fluorescein angiograms of retinal fundus using mathematical morphology: A pilot study,” Int. Conf. Ophthalmic Photogr., Adelaide, Australia, p. 152, 2002.

[6] C. C. S. H. F.Wong, Rosamond and Klein, “Retinopathy and risk of congestive heart failure,” J. Amer. Med. Assoc., vol. 293, pp. 63 – 69, 2005.

[7] R. Hill, “Retina identification. in biometrics: Personal identification in networked society,” Kluwer Academic Publishers, pp. 123–141, 1998.

[8] S. C.-J. T. J. Cree, Leandro and Cornforth, “Comparison of various methods to delineate blood vessels in retinal images,” 16th Nat. Cong. Austral. Inst. Phys., 2005.

[9] v. G.-L. A. Niemeijer, Staal, “Comparative study of retinal vessel segmentation methods on a new publicly available database,” SPIE Medical Imaging, J.M. Fitzpatrick and M. Sonka Eds, vol. 5370, pp. 648–656, 2004.

[10] K. N. Chaudhuri, Chatterjee and Goldbaum, “Detection of blood vessels in retinal images using two-dimensional matched filters,” IEEE Trans. on Medical Imaging, vol. 8, pp. 263 – 269, 1989.

[11] K. Hoover and Goldbaum, “Locating blood vessels in retinal images by piecewise threshold probing of a matched filter response,” IEEE Trans. Med. Imag., vol. 19, pp. 203 – 210, 2000.

[12] M. Jiang, Bainbridge-Smith, “Blood vessel tracking in retinal images,” Proceedingsof Image and Vision Computing New Zealand, pp. 126 – 131, 2007.

[13] O. Tamura and Yanashima, “Zero-crossing interval correction in tracing eyefundus blood vessels,” PatternRecognition, vol. 21, no.3, pp. 227 – 233, 1988.

[14] Z. Chutatape and Krishnan, “Retinal blood vessel detection and tracking by matched gaussian and kalman filters,” vol. 20, pp. 3144 – 3149, 1988.

[15] N. V. Staal, Abràmoff and van Ginneken, “Ridge based vessel segmentation in color images of the retina,” IEEE Trans. Med. Imag., vol. 23, pp. 501 – 509, 2004.

[16] R. Nekovei and Y. Sun, “Back-propagation network and its configuration for blood vessel detection in angiograms,” IEEE Trans. Neural Netw, vol. 6, pp. 64 – 72, 1995.

[17] S. B.-R. Lowell, Hunter and Kennedy, “Measurement of retinal vessel widths from fundus images based on 2-d modeling,” IEEE Trans. Med. Imag., vol. 23, pp. 1196 – 1204, 2004.

[18] F. Zana and J. Klein, “Segmentation of vessel-like patterns using mathematical morphology and curvature evaluation,” IEEE Trans. Image Process., vol. 10, pp. 1010 – 1019, 2001.

[19] C. J. Soares, Leandro and Cree, “Retinal vessel segmentation using the 2-d gabor wavelet and supervised classification,” IEEE Transaction on medical imaging, vol. 25, NO. 9, 2006.

[20] C. J. Leandro, Soares, “Blood vessels segmentation in non-mydriatic images using wavelets and statistical classifiers,” IEEE, 2003.

[21] F. Ayres and R. Rangayyan, “Performance analysis of oriented feature detectors,” IEEE 18th Comput. Soc. Brazil. Symp. Comput. Graph. Image Process, 2005.

[22] H. Duda and Stork, Pattern Classification, Wiley and Sons, Eds., 2001, New York.

[23] S. Theodoridis and K. Koutroumbas, Pattern Recognition, U. Academic Press, Ed., 1999.

[24] P. Ricci, “Retinal blood vessel segmentation using line operators and support vector classification,” IEEE Trans. Med. Imag., vol. 26, pp. 1357–1365, 2007.

[25] O. Rioul and M. Vetterli, “Wavelets and signal processing,” IEEE Signal Processing, pp. 14 – 38, 1991.

[26] T. Lee, “Image representation using 2d gabor wavelets,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 18, 1996.

[27] B. Manjunath andW. Ma, “Texture features for browsing and retrieval of image data,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 18, pp. 837 – 842, 1996.

[28] Costa and Cesar, Shape Analysis and Classification: Theory and Practice, B. Raton, Ed., 2001.

[29] D. Gabor, “Theory of communication,” IEEE, vol. 93, pp. 429–459, 1946.

[30] D. Hubel and T. Wiesel, “Functional architecture of macaque monkey visual cortex,” Proc. Royal Soc. B (London), vol. 198, pp. 1–59, 1978.

[31] M. Antoine, Carette and Piette, “Image analysis with two-dimensional continuous wavelet transform,” Signal Processing, vol. 31, pp. 241 – 272, 1993.

[32] N. Cristianini and J. Shawe-Taylor, An Introduction to Support Vector Machines, C. U. Press, Ed., 2000.

[33] A. Mecocci, “Dispense corso elaborazione delle immagini II,” 2008.

[34] L. Dempster and Rubin, “Maximum likelihood from incomplete data via the em algorithm,” Journal of the Royal Statistical Society, vol. 39, pp. 1–38, 1977.

[35] G. B. e A. Kaehler, Learning Open CV: computer vision with the OpenCV library, O’REILLY, Ed., 2008.

[36] T. Fawcett, “An introduction to roc analysis,” Pattern Recognition Letters 27, pp. 861 – 874, 2006.

[37] F. Provost and T. Fawcett, “Robust classification for imprecise environments. machine learning,” pp. 203 – 231, 2001.

[38] H. S. C. T. J. T. H. T. C. S. K. Fritzsche, A. Can and B. Roysam, “Automated model-based segmentation, tracing, and analysis of retinal vasculature from digital fundus images,” Angiography and Plaque Imaging: Advanced Segmentation Techniques, pp. 225 – 297, 2003.