Evaluación automática de la calidad en retinografías para la ayuda al diagnóstico de la Retinopatía Diabética

Abstract

La Diabetes Mellitus es una enfermedad cuya prevalencia supone un grave problema de salud pública. Entre sus complicaciones destaca la Retinopatía Diabética (RD), que se ha convertido en una de las principales causas de pérdida de visión en países desarrollados. La retinografía es una prueba diagnóstica que consiste en la captura de imágenes en color de la retina mediante un instrumento óptico llamado retinógrafo. Esta técnica permite una visión exacta de la retina y es útil para el diagnóstico y el seguimiento de enfermedades que la afectan, como RD, Glaucoma y Degeneración Macular Asociada a la Edad. En los programas de cribado de la RD, la adquisición de retinografías aptas para ser analizadas es básico. De hecho, los sistemas automáticos de análisis de retinografías para la ayuda al diagnóstico pueden fallar si las imágenes no tienen calidad suficiente. El objetivo de este Trabajo Fin de Máster fue el desarrollo de un sistema de evaluación automática de la calidad en retinografías con el fin de determinar si las imágenes son aptas para ser analizadas. De esta manera, se puede mejorar la eficacia de sistemas de cribado y de ayuda al diagnóstico de diversas enfermedades, entre ellas la RD. Este TFM se centró en la extracción, selección y clasificación de características globales que cuantifican la calidad de las retinografías para tratar de determinar si son aptas para ser analizadas por sistemas automáticos. Para ello, se aplicaron técnicas de análisis de imágenes basadas en métodos de evaluación de calidad de imagen sin referencia (No Reference Image Quality Assessment, NR-IQA). En concreto, se aplicaron los métodos de propósito general Natural Image Quality Evaluator (NIQE) y Spatial and Spectral Entropy-based Quality (SSEQ). Además, se analizaron las imágenes mediante la Transformada Wavelet Continua y la luminosidad del fondo de las imágenes a partir del espacio de color HSV. Después, se seleccionaron las características más relevantes mediante el algoritmo Fast Correlation-Based Filter (FCBF). Para la clasificación, se empleó una red neuronal artificial de tipo Perceptrón Multicapa. Para comprobar el funcionamiento del método se utilizó una base de datos de 2107 retinografías proporcionada por el Instituto Universitario de Oftalmobiología Aplicada de la Universidad de Valladolid y el Hospital Clínico Universitario de Valladolid. Los expertos determinaron si las imágenes tenían calidad suficiente para ser analizadas según criterios objetivos de claridad. La base de datos se dividió en dos conjuntos independientes para el desarrollo del método: entrenamiento (1053 imágenes) y test (1054 imágenes). El método se evaluó sobre el conjunto de test, consiguiéndose una precisión del 92.13%, con una sensibilidad del 93,26% y un valor predictivo positivo del 97.46%. Los resultados logrados fueron similares a los obtenidos en la literatura, si bien las bases de datos empleadas difieren entre estudios. Estos valores de sensibilidad y valor predictivo positivo hacen que el método propuesto sea adecuado para seleccionar las retinografías de buena calidad como paso previo a su análisis automático. En este sentido, se pretende incluir este método como una de las etapas de un algoritmo de análisis de retinografías para la ayuda al diagnóstico y cribado de la RD.