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

Un clasificador híbrido de campos Un clasificador híbrido de campos visuales de ayuda al diagnóstico visuales de ayuda al diagnóstico

precoz del glaucomaprecoz del glaucoma

María Aránzazu Simón HurtadoLuis Alonso RomeroAlfonso Antón López

ASAI 2004

Universidad de ValladolidE. T. S. I. Informática

Departamento de Informática

2

ContenidoContenido

Introducción

Antecedentes. Estado del arte

Análisis del campo visual

Clasificador híbrido de campos visuales de ayuda al

diagnóstico del glaucoma

Conclusiones

3

IntroducciónIntroducción Planteamiento del problemaPlanteamiento del problema

Definición de glaucoma

– Importancia:

• Frecuencia

• Enfermedad asintomática

Necesidad de realizar un diagnóstico precoz.

Análisis del campo visual: exploración fundamental.

4

Diagnóstico del glaucoma– Lesión anatómica del nervio óptico

– Aumento de la presión intraocular (PIO)

– Lesión funcional del campo visual (CV)

NormalPatológica

PIO (mmHg)

Nº

de

ind

ivid

uo

s (f

recu

enci

a)

21

IntroducciónIntroducción Planteamiento del problemaPlanteamiento del problema

5

IntroducciónIntroducciónObjetivoObjetivo

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

ContenidoContenido

Introducción





Conclusiones

7

Antecedentes. Estado del ArteAntecedentes. 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

ContenidoContenido

Introducción





Conclusiones

9

Análisis del campo visualAnálisis del campo visualObjetivosObjetivos

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 visualAnálisis del campo visualDescripción de los datosDescripción de los datos

Procedencia de los datos: Hospital Clínico Universitario de Valladolid (España).

Campos visuales en estadios incipientes.

Muestra de entrenamiento

Muestra de prueba

Glaucoma 96 20

Normales 37 9

Cataratas 22 7

Diabetes 12 7

HTA 13 5

TOTAL 180 48

11

Análisis del campo visualAnálisis del campo visualDistribución del campo en zonasDistribución 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)

1

2

3

45

76

Se divide el campo visual en 7 zonas y se calcula:

• la media de los defectos de sensibilidad de cada zona

• la desviación estándar

vectores de 7, 8 ó 9 parámetros vectores de 14, 15 ó 16 parámetros

12

Análisis del campo visualAnálisis del campo visualTécnicas de clasificaciónTécnicas de clasificación

Redes Neuronales Artificiales– Mapas autoorganizados de Kohonen (SOM)

– GESL

Razonamiento Basado en Casos (CBR)

13

Análisis del campo visualAnálisis del campo visualMapas autoorganizados de Kohonen (SOM)Mapas 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

Modificación de los algoritmos del SOM_PACK

Etiquetado o calibración del mapa

Evaluación del mapa

Análisis del campo visualAnálisis del campo visualMapas autoorganizados de KohonenMapas autoorganizados de Kohonen

1. Se calcula la distancia entre el vector de pesos de un ejemplo y cada uno de los vectores de pesos del mapa entrenado.

2. En la neurona ganadora se almacena la etiqueta del ejemplo que la ha activado.

3. Cada neurona se etiqueta con la clase que más ejemplos han caído en esa neurona.

4. Si hay dos clases con el mismo número de ejemplos se etiqueta con la clase cuya suma de distancias a esa neurona es menor.

5. Si no ha caído ningún ejemplo en una neurona se deja provisionalmente sin etiqueta.

6. 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 visualAnálisis del campo visualSOM. ResultadosSOM. Resultados Datos de entrada: 59 puntos del CV

Topología 1 2 Variables S (%) E (%) PD (%)7x3 0.04 0.01 59 puntos 95 82 877x5 0.05 0.03 59 puntos 85 89 87

Glaucoma/No glaucoma

Topología: 7x5 1: 0.04 2: 0.04 Variables: 59 puntosS (%) E (%)

Glaucoma 95 71

Normal 89 92

Otras patologías 42 93Precisión Diagnóstica (%) 73

Topología: 11x4 1: 0.03 2: 0.01 Variables: 59 puntosS (%) E (%)

Glaucoma 95 82Normal 89 90Cataratas 29 93Diabetes 29 95HTA 20 95

Precisión Diagnóstica (%) 67

16

Análisis del campo visualAnálisis del campo visualSOM. ResultadosSOM. Resultados Datos de entrada: 7 zonas del CV

Topología 1 2 Variables S (%) E (%) PD (%)8x3 0.03 0.01 7 zonas y MD 95 93 94

Glaucoma/No glaucoma

Topología: 11x5 1: 0.04 2: 0.01Variables: 7 Zonas y

MDS (%) E (%)

Glaucoma 95 86Normal 89 87Otras patologías 58 97


Topología: 11x5 1: 0.04 2: 0.01Variables: 7 Zonas y

MDS (%) E (%)

Glaucoma 100 86Normal 89 87Cataratas 57 90Diabetes 0 95HTA 20 100


17

Análisis del campo visualAnálisis del campo visualSOM. ComparaciónSOM. Comparación

La reducción de dimensionalidad en los vectores de entrada según las 7 zonas ha mejorado los resultados.

Comparación de experimentos SOM

0

10

20

30

40

50

60

70

80

90

100

2 categ. 3 categ. 5 categ.

Experimento

Pre

cisi

ón

Dia

gn

óst

ica

(%)

59 puntos

7 zonas

18

Análisis del campo visualAnálisis del campo visualComparación con trabajos anterioresComparación con trabajos anteriores

Técnica Grupos Grado de glaucoma S (%) E (%)

MLP con BP (Goldbaum [1994])

Glaucoma vs. Normal Cualquiera 65 72

MLP con BP (red jerárquica) (Zahlmann [1996])

Glaucoma vs. Normal vs. Otras Patologías

? 80-89 ?

RBF (red jerárquica) (Zahlmann [2000])


? 72-98 70-95

Discriminación logística (7 zonas, MD y LV) (Antón [1995])


MD 6dB (Menos de 10 puntos con defecto)

80 92

MLP con BP (7 zonas, red jerárquica) (Reyes [1998])

Glaucoma vs. No glaucoma


100 82

SOM (7 zonas)Glaucoma vs. No

glaucomaMD 6dB (Menos de 10 puntos con defecto)

95 93

19

Análisis del campo visualAnálisis del campo visualComparación con trabajos anterioresComparación con trabajos anteriores

Técnica Grupos Grado de glaucoma S (%) E (%)

MLP con BP (Goldbaum [1994])

Glaucoma vs. Normal Cualquiera 65 72

MLP con BP (red jerárquica) (Zahlmann [1996])


? 80-89 ?

RBF (red jerárquica) (Zahlmann [2000])


? 72-98 70-95

Discriminación logística (7 zonas, MD y LV) (Antón [1995])



80 92

MLP con BP (7 zonas, red jerárquica) (Reyes [1998])

Glaucoma vs. No glaucoma


100 82

SOM (7 zonas)Glaucoma vs. No

glaucomaMD 6dB (Menos de 10 puntos con defecto)

95 93

20

ContenidoContenido

Introducción


Sistemas Expertos: Glaucom-Easy

Clasificador híbrido de campos visuales de ayuda

al diagnóstico del glaucoma

Conclusiones

21

CHADGCHADGClasificador del CVClasificador del CV

Diseño arquitectónico

Sistema Experto CV

Mapa SOM

Reglas deintegración

Defectos 59 puntos CV

Medias defectos 7 zonas CV y Defecto Medio

CV Normal,Dudoso oPatológico

22



Sistema Experto CV

Mapa SOM





23



Sistema Experto CV

Mapa SOM





24



Sistema Experto CV

Mapa SOM





25

CHADGCHADGSE para el diagnóstico del CVSE 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

ZONANASAL

ZONACENTRAL

ZONA PARACENTRALSUPERIOR

ZONA PARACENTRALINFERIOR

ZONA TEMPORALSUPERIOR

ZONA TEMPORALINFERIOR

26

CHADGCHADGElección y modificación del mapa SOMElección 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

Topología 1 2 Variables S (%) E (%) PD (%)

8x3 0.03 0.01 7 zonas y MD 95 93 94

27


Resultados

S (%) E (%) PD (%) FP FN Dudosos (%)

SE del CV 100 84 90 3 0 40

Mapa SOM 100 87 94 2 0 35

Clasificador híbrido 100 94 97 1 0 31

28

CHADGCHADGValidaciónValidación

Muestra

Valoraciones del experto sobre el CV

Glaucoma Normal TOTAL

78 28 106

29

CHADGCHADGValidación de la clasificación del CVValidación de la clasificación del CV

Número de ejemplos que han sido clasificados como dudosos

Resultados

Experto Clasificador CV

Dudosos (Glaucoma) 57% 23%

Dudosos (No glaucoma) 28% 36%

Total Dudosos 50% 32%

S (%) E (%) PD (%) Dudosos (%)

Experto 85 100 91 50

Clasificador CV 96 100 97 32

30

ContenidoContenido

Introducción





Conclusiones

31

ConclusionesConclusiones

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

ConclusionesConclusiones

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.

Un clasificador híbrido de campos Un clasificador híbrido de campos visuales de ayuda al diagnóstico visuales de ayuda al diagnóstico

precoz del glaucomaprecoz del glaucoma

María Aránzazu Simón HurtadoLuis Alonso RomeroAlfonso Antón López

ASAI 2004

Universidad de ValladolidE. T. S. I. Informática

Departamento de Informática

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

Documents