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

IMÁGENES UTILIZADAS: RETINOGRAFÍAS

Escala de grises con

vasos sanguíneos en

oscuro

Escala de grises con

vasos sanguíneos en

claro

Color

RGB

HLS

TÉCNICAS UTILIZADAS

• Operadores morfológicos (erosiones, dilataciones, aperturas, cierres, top-hats, gradientes…)

• Reconstrucciones geodésicas– Reconstrucción por dilatación

– Reconstrucción por erosión

j ( J ) = ( J B) IDilatación geodésica

Reconstrucción S(J) = j ( J ) Hasta estabilidad

j ( J ) = ( J ⊝ B) IErosión geodésica

Reconstrucción S(J) = j ( J ) Hasta estabilidad

TÉCNICAS UTILIZADAS

• Filtros espaciales

– Filtro LoG Laplacian (Gaussian =1.75,with=7 px (Img))

– Filtro ASF

ASF(Img)= nB(…(( (((Img))))...)

– Variación local de nivel gris

V(x)= [1/(N-1)]Wx (Imgimg(x)

TRANSFORMACIÓN WATERSHED

• Segmenta la imagen de manera “demasiado” efectivaIdea: 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

TRANSFORMACIÓN WATERSHED

• Vicent y Soille (1991): Simular un proceso de inundación

- Inundar: empezando por los mínimos de más baja altitud, el agua irá rellenando las cuencas, convirtiéndolas en lagos.

- “Agujerear” mínimos

- En los puntos donde el agua viene de diferentes mínimos se construye una “presa”. (Regiones Watershed asociada a cada mínimo)

Problemas:

- Tiempo de ejecución alto

- No segmenta completamente

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.

TRANSFORMACIÓN WATERSHED BASADA EN CÓDIGOS DE CADENA

• Implementación:– Códigos point-out y

point-in

– Etiquetar point-out y point-in de los píxeles con vecinos más bajos– Propagar etiquetas a través de colas fifo por las mesetas

– Etiquetar regiones (cuencas) siguiendo los point-in desde cada sumidero

- Tiempo de ejecución muy bajo

- Segmenta completamente (en exceso)

4 regiones

SOLVENTAR LA SOBRESEGMENTACIÓN: MEZCLA DE

REGIONES

• Watershed demasiado eficiente

OriginalSobresegment

ación

regiones• Solución: Mezclar regiones hasta obtener

una segmentación aceptable

MEZCLA DE REGIONES• Crear grafo no dirigido RAG (Region Adyacency raph)

12 3

4 56

Mezclar regiones con proceso iterativo siguiendo el valor de desimilitud:

con:

a

e

b

dc dc

e

ab

• Mezclar en cada paso las dos regiones adyacentes con menor valor

Área de la región

Intensidad media de gris en la región

En cada paso:

- Encontrar los dos nodos con menor valor de

-Eliminamos dichos nodos

- Añadimos uno nuevo mezcla de los dos

-Recalculamos área, intensidad media, regiones adyacentes, nuevos

Posibles condiciones de parada:

- Alcanzar un valor umbral de

- Llegar a un número determinado de regiones

MEZCLA DE REGIONES

Imagen sobresegmentada por el Watershed

SEGMENTANDO VASOS SANGUÍNEOS

Preprocesamiento

Reducción de ruido

Evaluación de curvatura

Filtros lineales

Binarización o Watershed

SEGMENTANDO VASOS SANGUÍNEOS: PREPOCESAMIENTO

Invertir

Redimensionar a

512 píxeles de ancho

Extraer canal verde + Invertir

SEGMENTANDO VASOS SANGUÍNEOS: REDUCCIÓN DE RUIDO BLANCO

Máximo de las 12 aperturas con los elementos estructurales:

15º

15x1 píxeles

Maxi=1..12Li(Img)

SEGMENTANDO VASOS SANGUÍNEOS: REDUCCIÓN DE RUIDO BLANCO

Rec.Geodésica

del max. aperturas

Eliminamos ruido blanco, dejando intactos los vasos sanguíneos.

SEGMENTANDO VASOS SANGUÍNEOS: REDUCCIÓN DE RUIDO BLANCO

Sumatorio de top-hats

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.

i=1..12 Imgant - Li(Img)

SEGMENTANDO VASOS SANGUÍNEOS: EVALUACIÓN DE CURVATURA Y

FILTROS LINEALES

Laplacian[Gaussian=1.75,with=7 px (Imgant)]

Gaussiano LaplacianoNueva recons. geodésica por

dilatación sobre el máx. de las 12

aperturas seguida de recons. geodésica por

erosión sobre el mínimo de los doce

cierres

EVALUACIÓN DE CURVATURA FILTROS LINEALES

SEGMENTANDO VASOS SANGUÍNEOS: BINARIZACIÓN O WATERSHED

Binarización Watershed

¿Qué elegir?

Dependerá de la imagen y de la información que nos sea más útil.

SEGMENTANDO EL DISCO ÓPTICO

Preprocesamiento y espacios de color

Localizar el disco

Encontrar los contornos usando

Watershed

SEGMENTANDO EL DISCO ÓPTICO: PREPROCESAMIENTO Y ESPACIOS DE

COLOR

Imagen original a color

redimensionada

Canal L (Luminan

cia en HLS)

Canal R (Red en RGB)

Localización

Detectar contorno

s

Disco zona muy

brillante

Contornos del disco

mejor contrastados

SEGMENTANDO EL DISCO ÓPTICO: LOCALIZAR EL DISCO

Canal L

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

Solución:

“Difuminar” variaciones del fondo mediante shade-correction:

s-c=CanalL – ASF(CanalL) + K,

ASF(Img)= (nB)(…((2B)( ((B)((B)(Img))))...)

Shade-corrected

SEGMENTANDO EL DISCO ÓPTICO: LOCALIZAR EL DISCO

Ahora sí: Variación Local

Con N ~ 1/7 del tamaño de la imagen (Tamaño del disco

óptico)

Centroide

V(x)= [1/(N-1)] W(x) (Img() -

img(x))2

SEGMENTANDO EL DISCO ÓPTICO: ENCONTRAR CONTORNOS DEL DISCO

Canal R Cierre Apertura y Reconstrucción

geodésica

Eliminamos vasos

Eliminamos picos blancos y

reconstruimos

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 {centroide}U Circunferencia

Valor_max e.o.c.

M(x)=

Watershed [ Recons_erosión Gradiente(Imgant) (M) ]

Watershed sobre el gradiente

Watershed acotado con marcas

SEGMENTANDO EXUDACIONES

Preprocesamiento y espacios de color

Encontrar regiones candidatas

Encontrar los contornos

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.

Redimensionar Canal verde (G, RGB)

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

SEGMENTANDO EXUDACIONES: ENCONTRAR REGIONES CANDIDATAS

Aplicamos cierre para

eliminar vasos

Variación local

N = 5

Binarización Dilatamos y rellenamos agujeros mediante

reconstrucción por erosión

V(x)= [1/(N-1)] W(x) (Img() - img(x))2

SEGMENTANDO EXUDACIONES: ENCONTRAR REGIONES CANDIDATAS

Borramos de la imagen una versión dilatada del disco

óptico

SEGMENTANDO EXUDACIONES: ENCONTRAR REGIONES CANDIDATAS

Canal verde Regiones candidatas a exudaciones

SEGMENTANDO EXUDACIONES: ENCONTRAR LOS CONTORNOS

- Img= Recons_dilatación Canal_verde (Imgant)

- Resultado= Binarización [ Canal_verde – Img ]

-Algoritmo de detección de componentes conexas

Contabilizar exudaciones y calcular sus áreas