Un clasificador híbrido de campos visuales de ayuda al diagnóstico precoz del glaucoma
description
Transcript of 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
Antecedentes. Estado del arte
Análisis del campo visual
Clasificador híbrido de campos visuales de ayuda al
diagnóstico del glaucoma
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
Antecedentes. Estado del arte
Análisis del campo visual
Clasificador híbrido de campos visuales de ayuda al
diagnóstico del glaucoma
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
Precisión Diagnóstica (%) 79
Topología: 11x5 1: 0.04 2: 0.01Variables: 7 Zonas y
MDS (%) E (%)
Glaucoma 100 86Normal 89 87Cataratas 57 90Diabetes 0 95HTA 20 100
Precisión Diagnóstica (%) 69
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])
Glaucoma vs. Normal vs. Otras Patologías
? 72-98 70-95
Discriminación logística (7 zonas, MD y LV) (Antón [1995])
Glaucoma vs. Normal vs. Otras Patologías
MD 6dB (Menos de 10 puntos con defecto)
80 92
MLP con BP (7 zonas, red jerárquica) (Reyes [1998])
Glaucoma vs. No glaucoma
MD 6dB (Menos de 10 puntos con defecto)
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])
Glaucoma vs. Normal vs. Otras Patologías
? 80-89 ?
RBF (red jerárquica) (Zahlmann [2000])
Glaucoma vs. Normal vs. Otras Patologías
? 72-98 70-95
Discriminación logística (7 zonas, MD y LV) (Antón [1995])
Glaucoma vs. Normal vs. Otras Patologías
MD 6dB (Menos de 10 puntos con defecto)
80 92
MLP con BP (7 zonas, red jerárquica) (Reyes [1998])
Glaucoma vs. No glaucoma
MD 6dB (Menos de 10 puntos con defecto)
100 82
SOM (7 zonas)Glaucoma vs. No
glaucomaMD 6dB (Menos de 10 puntos con defecto)
95 93
20
ContenidoContenido
Introducción
Antecedentes. Estado del arte
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
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
23
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
24
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
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
CHADGCHADGClasificador del CVClasificador del CV
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
Antecedentes. Estado del arte
Análisis del campo visual
Clasificador híbrido de campos visuales de ayuda al
diagnóstico del glaucoma
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