Desenvolvimento de uma Ferramenta para Auxílio ao
Diagnóstico de Catarata em Telemedicina
R. Husemann; M. Negreiros; H. Tomaggi
Aline Lutz Araujo
Valter Roesler
Departamento de Engenharia Elétrica
UFRGS
Porto Alegre, Brasil
{ronaldo.husemann, marcelo.negreiros,
iop.tomaggi}@ufrgs.br
Telessaúde-RS
UFRGS
Porto Alegre, Brasil
tsrs-aline.araujo@ufrgs.br
Instituto de Informática
UFRGS
Porto Alegre, Brasil
roesler@inf.ufrgs.br
Catarata é a principal causadora de perda de visão (cegueira)
em nível mundial e é um dos principais fatores que levam à
diminuição visual no mundo [5-6]. Não há tratamento médico
que possa prevenir a formação ou a progressão da catarata no
cristalino. Embora vários fatores de risco para o
desenvolvimento de catarata tenham sido identificados, tais
como idade, composição genética, luz ultravioleta e diabetes,
dados para prevenir cataratas ainda não são conclusivos [7].
ABSTRACT
The use of videoconferencing technology for health systems has
the potential to increase the number of patients treated while
decreasing cost and allowing distributed local consultation
facilities close to the target communities, minimizing the need
for transportation and minimizing waiting times. One such
initiative is the Teleoftalmo-RS videocolaboration program
where ophthalmologic consultations are performed. In this
paper, the development of an auxiliary tool to help expedite the
diagnosis of cataracts in such a system is presented. This work is
also part of the ongoing RNP and Microsoft Challenge: Artificial
Intelligence R&D.
KEYWORDS
Telemedicine, Telediagnosis, Videocolaboration, Cataract
Figura 1: Atendimento do Teleoftalmo-RS
1 Introdução
O fator de risco mais importante para catarata é a idade.
Cataratas relacionadas à idade constituem a grande maioria de
todos os tipos de cataratas e se constituem em um grande
problema de saúde pública em nível mundial [8]. Como o
número de pessoas afetadas por problemas de visão tem crescido
nos últimos anos, necessita-se de um grande aumento de
atendimento nos serviços médicos para minimizar os problemas
de visão [9]. A crescente demanda de avaliações oftalmológicas
traz consigo a necessidade de implementação de soluções que
agilizem o tempo de análise e emissão de laudos de exames.
A Academia Americana de Oftalmologia (AAO) posiciona-se
favoravelmente ao uso de tecnologias na especialidade, incluindo
métodos para rastreamento, refração e outros testes diagnósticos
baseados na Internet, desde que obedecidos os mesmos critérios
usados pelos exames médicos [10].
Sistemas que utilizam inteligência artificial têm se mostrado
capazes de detectar diferentes doenças a partir de imagens e
dados médicos [11], tais como melanoma [12] e retinopatia
diabética [13]. Nestes exemplos, a performance do sistema é
comparável à interpretação diagnóstica feita por médico
especialista na respectiva área. Sistemas de graduação
automática de catarata provaram ser uma maneira reprodutível e
O uso de sistemas de telemedicina e telediagnóstico permite
otimizar a operação dos sistemas de saúde. A telessaúde
constitui-se numa nova forma de entregar práticas tradicionais,
como no caso da teleconsultoria e da teleducação, e como uma
maneira alternativa e substitutiva no caso de telediagnóstico e da
teleconsulta com potencial de ser o eixo organizador dos
sistemas de saúde em nível nacional [1].
O projeto TelessaúdeRS/UFRGS foi estabelecido em 2007 [2].
Como um programa mais recente dessa iniciativa encontra-se o
projeto Teleoftalmo: Olhar Gaúcho, que efetua exames
oftalmológicos em cerca de 1000 pacientes do Sistema Único de
Saúde (SUS) a cada mês através de uma ferramenta própria de
vídeo colaboração. O sistema permite a interação em tempo-real
entre médicos especialistas e pacientes em centros remotos no
Rio Grande do Sul [3,4]. Utilizando essa ferramenta, o médico
especialista pode conversar com os pacientes e realizar exames
oftalmológicos por equipamentos instalados operados à distância
conforme ilustra a figura 1.
In: VI Workshop “O Futuro da Videocolaboração” (WCT-Video 2019), Rio de
Janeiro, Brasil. Anais Estendidos do Simpósio Brasileiro de Sistemas Multimídia e
Web (WebMedia). Porto Alegre: Sociedade Brasileira de Computação, 2019.
©2019 SBC – Sociedade Brasileira de Computação.
ISSN: 2596-1683
155
Anais Estendidos do WebMedia’2019, Rio de Janeiro, Brasil
R. Husemann et al.
eliminação dos reflexos na córnea causados pela iluminação
intensa durante o exame de retroiluminação, necessitando
portanto de equipamento especial [16]. O aspecto das imagens
dos exames de lâmpada de fenda e de retroiluminação é
apresentado na figura 3. Note que a área mostrada nas imagens
da segunda e terceira linhas é a pupila, normalmente dilatada
durante o exame para permitir a avaliação da maior área possível
do cristalino.
objetiva, embora ainda com limitações e necessitando de
refinamento [14].
O presente trabalho propõe a utilização de técnicas de
inteligência artificial para processar imagens oftalmológicas de
exames de retroiluminação e auxiliar no diagnóstico da doença
catarata, obtendo uma classificação automática entre paciente
normal ou com catarata, agilizando a tomada de decisão do
médico, com o objetivo de integrar o sistema presente no
TeleoftalmoRS.
Este trabalho será estruturado com descrito a seguir. Na seção
2 será apresentada uma revisão de trabalhos da literatura
relevantes para o assunto. A seção 3 traz a metodologia usada no
trabalho. Na seção 4 se apresentam os resultados preliminares
deste trabalho, que faz parte dos projetos aprovados no edital
RNP-Microsoft de Inteligência Artificial para a área de
Videocolaboração.
2 Revisão da literatura
A seção atual traz uma revisão da literatura com trabalhos
relacionados à detecção e graduação automática de imagens de
catarata. A catarata somente é clinicamente relevante se a
capacidade visual do paciente for afetada significativamente,
uma vez que opacidade no cristalino pode existir sem qualquer
sintoma [7]. Existem três tipos principais de catarata relacionada
à idade: nuclear, cortical e subcapsular posterior, de acordo com
a localização da opacidade no cristalino. Em muitos pacientes
mais de um tipo de catarata estão presentes ao mesmo tempo
[7,9]. A figura 2 apresenta os tipos mais comuns de cataratas
senis, incluindo a catarata em estágio avançado ou madura [15].
Figura 3: Sistema LOCS III de graduação de opacidades [17]
Esquemas para a classificação objetiva de catarata usam
padrões fotográficos para subdividir os principais tipos em
diferentes graus, conforme exemplificado na figura 3. Esses graus
podem ser baseados na densidade e na cor (no caso do núcleo) ou
de acordo com a área anatômica da catarata (no caso de áreas
cortical ou subcapsular posterior). Dentre os esquemas objetivos
de classificação para cataratas podem ser citados: Lens Opacities
Classification System II and III (LOCS II and LOCS III), Oxford
Cataract Classification System, Beaver Dam Eye Study e Age
Related Eye Diseases Study (AREDS) [8,14,17,18]. A capacidade
visual do paciente é afetada de modo diferente de acordo com o
tipo e grau de catarata. Segundo [19], usando o sistema LOCS III,
cataratas nucleares de graus 4 e 5 afetaram a capacidade visual
para opalescência e cor, respectivamente. Cataratas corticais
afetaram a capacidade visual no grau 3, e cataratas posterior
subcapsulares afetaram a capacidade visual em todos os graus.
A graduação manual por especialistas é um processo
demorado e caro, além de possuir baixa reprodutibilidade e ser
sujeito à inconsistências por fadiga [15,20]. A graduação
automática tem a possibilidade de aumentar a reprodutibilidade,
objetividade e velocidade do exame, bem como diminuir seu
custo.
Um sistema para medição objetiva de opacidade cortical e
subcapsular em imagens de exames de retroiluminação com o
auxilio de computador foi proposto por Wolfe em 1990 [21], no
entanto necessitava de intervenção de um operador para
indicação de áreas opacas e claras na imagem. Harris [16] propôs
um método para correção de variação de iluminação em exames
de retroiluminação. Alguns sistemas de detecção automática de
cataratas tem sido propostos [20,22,23] mas com problemas com
cataratas em estágio inicial ou muito severas. Em [24] foi
proposto um sistema de graduação baseado no método de
Figura 2: Morfologia de catarata senil [15]
Imagens obtidas pelo exame de lâmpada de fenda são usadas
para avaliação de opacidades nucleares. No entanto essas
imagens não são adequadas para avaliar opacidades corticais e
subcapsulares, mais nítidas em imagens de retroiluminação que
se utilizam da característica do fundo do olho humano de refletir
a luz vermelha com maior intensidade [16]. Nos trabalhos
presentes na literatura são usados polarizadores cruzados para a
156
Desenvolvimento de uma Ferramenta para Auxílio ao Diagnóstico
de Catarata em Telemedicina
Anais Estendidos do WebMedia’2019, Rio de Janeiro, Brasil
um canal de cor ideal. Deste modo são analisados quatro canais
distintos (saturação, luminância, crominância vermelha e cor
vermelha), os resultados são avaliados e é escolhida uma das
soluções. Dentre as técnicas usadas podem ser citadas a detecção
de bordas (Canny) e a transformada de Hough. Dentre os
critérios para escolha do melhor resultado estão a proximidade
do centro da imagem, o raio do círculo e o percentual do círculo
contido na borda detectada. A saída da primeira etapa é o ponto
central do circulo que aproxima o contorno da pupila em
coordenadas (x,y) bem como o raio deste círculo. Uma ilustração
do método se apresenta na Figura 5.
aprendizado supervisionado SVR. Mais recentemente, uma
abordagem usando deep learning para graduação de catarata
nuclear baseada em imagens de exames de lâmpada de fenda foi
apresentada em [25]. Em [26] uma abordagem baseada em deep
learning e imagens de fundo de olho mostrou bons resultados na
detecção de estágios iniciais de catarata. Um panorama geral da
pesquisa na área é apresentado em [14, 15].
3 Metodologia
Nessa seção é descrita a metodologia usada no
desenvolvimento do trabalho, desde a preparação do banco de
dados de imagens até as demais etapas de processamento.
O banco de dados é composto por imagens de exames
oftalmológicos de retroiluminação. As imagens são obtidas com
pupila dilatada, obtidas através de retinógrafo Zeiss Visucam
224, com resolução de pelo menos 2448x2448 pixels, ângulo 30°,
flash 6 e foco manual na íris. O aspecto das imagens é
apresentado na figura 4 (notar similaridade com figura 2). Existe
reflexo da córnea (notar flash ou círculo branco no centro das
pupilas) nas imagens porque o retinógrafo não é equipado com
polarizadores.
(a)
(b)
(c)
(d)
(e)
Figura 4: Imagens típicas no banco de dados: (a) sem
catarata, catarata (b) nuclear, (c) cortical, (d) posterior
subcapsular e (e) avançada ou madura
Figura 5: Algoritmo de segmentação de pupila
A segunda etapa tem por finalidade mensurar a opacidade no
cristalino (lente do olho) através da análise da imagem
segmentada da pupila e indicar a presença ou não de catarata. O
objetivo do projeto é usar uma rede de aprendizagem profunda
baseada em redes neurais do tipo convolutivas (CNNs) de modo
similar a outros trabalhos na área [14,25,26].
O processamento de dados está dividido em duas etapas:
identificação de parte de interesse da imagem e classificação
da doença.
A primeira etapa tem por finalidade segmentar a área de
interesse, a pupila do olho, das demais regiões da imagem como
íris, detalhes da córnea, pálpebras, cílios e pele. A implementação
da primeira etapa inclui algoritmos de segmentação, detecção de
borda e formato. São avaliados diferentes canais de cores das
imagens para segmentar a região da pupila. Como as imagens
possuem diferentes intensidades de iluminação, contraste e
zoom, bem como cores diferentes na íris e na pupila, não existe
4 Resultados preliminares
Os resultados alcançados até o momento referem-se à
validação do algoritmo de segmentação de pupila rodando sobre
uma versão maior do banco de dados de imagens, bem como do
157
Anais Estendidos do WebMedia’2019, Rio de Janeiro, Brasil
R. Husemann et al.
[1] Harzheim, Erno et al. Telessaúde como eixo organizacional dos sistemas
universais de saúde do século XXI. Revista Brasileira de Medicina de Família e
Comunidade, [S.l.], v. 14, n. 41, p. 1881, fev. 2019. ISSN 2179-7994.
doi:https://doi.org/10.5712/rbmfc14(41)1881.
[2] Harzheim, E. et al., Telehealth in Rio Grande do Sul, Brazil: Bridging the Gaps.
Telemedicine
Journal
and
e-Health,
v.
22,
p.
1-7,
2016.
doi:10.1089/tmj.2015.0210.
[3] Projeto
TelessaúdeRS
Teleoftalmo.
Online:
https://www.ufrgs.br/telessauders/telediagnostico/teleoftalmo/
[4] Roesler V., Harzheim E. Tecnologias emergentes em telemedicina - ênfase em
videocolaboração In Anais of XXIII Webmedia WCT-Video. 19de outubro,
2017, Gramado, Rio Grande do Sul. 368p. E-book e Impresso. ISBN: 978-857669-381-9.
[5] Pascolini D, Mariotti SP, Global estimates of visual impairment: 2010,British
Journal
of
Ophthalmology
2012;
96:
614-618.
http://dx.doi.org/10.1136/bjophthalmol-2011-300539
[6] Resnikoff, S., Pascolini, D., Etya'ale, D., Kocur, I., Pararajasegaram, R.,
Pokharel, G. P., & Mariotti, S. P. (2004). Global data on visual impairment in
the year 2002. Bulletin of the World Health Organization, 82(11), 844-51.
[7] Asbell PA, Dualan I, Mindel J, et al. Age-related cataract. Lancet, 2005, vol.
365, p.599-609. https://www.thelancet.com/journals/lancet/article/PIIS01406736(05)17911-2/fulltext
[8] Malhotra, 2008, Cataract,Raman Elsevier Chapter 1: The ageing lens and
classification of cataracts
[9] Flaxman SR, et al. Vision Loss Expert Group of the Global Burden of Disease
Study. Global causes of blindness and distance vision impairment 1990-2020: a
systematic review and meta analysis. Lancet Glob Health. 2017;5(12):e1221e1234.
[10] American Academy of Ophthalmology. Information statement: Use of
innovative technologies in diagnosing eye diseases and conditions. September
2014.
https://www.aao.org/clinical-statement/innovative-technologies-indiagnosing-eye-diseases
[11] Rajkomar A, Oren E, Chen K, et al. Scalable and accurate deep learning with
electronic health records. Npj Digital Medicine. 2018; 18. doi:10.1038/s41746018-0029-1
[12] Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin
cancer with deep neural networks. Nature. 2017;542:115–118.
[13] Gargeya R, Leng T. Automated identification of diabetic retinopathy using
deep learning. Ophthalmology. 2017;124: 962–969.
[14] Helena E. Gali, Ruti Sella, and Natalie A. Afshari, Cataract grading systems: a
review of past and present, Curr Opin Ophthalmol 2019, 30:13–18
DOI:10.1097/ICU.0000000000000542
[15] H. I. M. Lopez, J. C. S. Garcia, J. A. D. Méndez, Cataract Detection Techniques:
A Review. IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 7,
JULY.2016, pp. 3074-3079.
[16] M. L. Harris et al.. Analysis of Retro-Illumination Photographs for Use in
Longitudinal Studies of Cataract. Eye (1993) 7,572-577.
[17] Chylack LT, Wolfe JK, Singer DM, et al. The lens opacities classification
system III. Arch Ophthalmol 1993; 111:831–836.
[18] Age-Related Eye Disease Study Research Group. The age-related eye disease
study (AREDS) system for classifying cataracts from photographs: AREDS
report no. 4. Am J Ophthalmol. 2001;131(2):167–175.
[19] Chew M, Chiang PPC, Zheng Y, et al. The impact of cataract, cataract types,
and cataract grades on vision-specific functioning using rasch analysis. Am J
Ophthalmol 2012; 154:29.e2–38.e2
[20] Y. C. Chow et al. Automatic Detection of Cortical and PSC Cataracts Using
Texture and Intensity Analysis on Retro-illumination Lens Images. 33rd
Annual International Conference of the IEEE EMBS Boston, Massachusetts
USA, August 30 - September 3, 2011, pp 5044-5047.
[21] Wolfe JK, Chylack LT Jr: Objective measurement of cortical and subcapsular
opacification in retroillumination photographs. Ophthalmic Res 1990;22(suppl
l):62-67.
[22] H. Li et al., "Image Based Diagnosis of Cortical Cataract," Proceedings of
Annual International Conference of the IEEE Engineering in Medicine and
Biology Society, 2008.
[23] H. Li et al., Automatic Detection of Posterior Subcapsular Cataract Opacity for
Cataract Screening, 32nd Annual International Conference of the IEEE EMBS
Buenos Aires, Argentina, August 31 - September 4, 2010, pp. 5359-5362.
[24] Gao X. et al., (2013) Automatic Grading of Cortical and PSC Cataracts Using
Retroillumination Lens Images. In: Lee K.M., Matsushita Y., Rehg J.M., Hu Z.
(eds) Computer Vision – ACCV 2012. ACCV 2012. Lecture Notes in Computer
Science, vol 7725. Springer, Berlin, Heidelberg. doi:https://doi.org/10.1007/9783-642-37444-9_20.
[25] Gao SL X, TYW. Automatic feature learning to grade nuclear cataracts based
on deep learning. IEEE Trans Biomed Eng 2015; 62:2693–2701.
[26] Li J. et al. Automatic Cataract Diagnosis by Image-Based Interpretability. 2018
IEEE International Conference on Systems, Man, and Cybernetics. p. 39643969. DOI 10.1109/SMC.2018.00672.
desenvolvimento de uma versão do banco de dados para uso com
treinamento de redes neurais.
Como o banco de dados não foi desenvolvido primariamente
para o trabalho acadêmico existe a necessidade de filtrar as
imagens mais adequadas e representativas da doença catarata.
Um número semelhante de imagens com e sem a doença é
necessário para a etapa de treinamento da rede neural. Desse
modo o banco de dados conta atualmente com 1161 imagens de
exames de retroiluminação com qualidade julgada adequada para
diagnóstico pela equipe de oftalmologistas (grupo 1). Outras 1544
imagens do banco apresentaram problemas na aquisição de
dados e foram consideradas inadequadas para o exame (grupo 2).
Um grupo adicional com mais de 2000 imagens de exames
recentes aguarda análise de qualidade (grupo 3). Os problemas de
aquisição incluem imagens fora de foco, com obstrução parcial
ou total (pálpebra), outras patologias da córnea que podem
causar opacidade, pouca dilatação da pupila e olhos com lentes
artificiais intraoculares (após cirurgia de catarata).
Os resultados do algoritmo de detecção de pupila, para o
banco de dados atual, separado pelos grupos citados no
parágrafo anterior, encontram-se na Tabela 1.
Tabela 1: Resultados de segmentação de pupila
Grupo
1
2
3
5.
Total
1161
1544
2156
Acertos
1071
1380
1923
Erros
90
164
233
Percentual de Acertos
92,2%
89,4%
89,2%
Considerações Finais
O desenvolvimento de uma versão do banco de dados
adequada ao treinamento de redes neurais está em
desenvolvimento com a possibilidade de ser continuamente
expandido ao longo do desenvolvimento do projeto e no futuro.
No contexto de redes neurais e deep learning o
desenvolvimento de um banco de dados adequado e com
milhares de imagens é essencial. Os resultados de segmentação
de pupila mostraram-se adequados aos perfis das imagens, com
menor taxa de acerto no subconjunto de imagens com problemas
de aquisição.
Estima-se para os próximos anos por um aumento
significativo do uso de tecnologia de deep learning em aplicações
médicas, principalmente no campo de diagnóstico e telediagnóstico, se prevendo os seguintes benefícios potenciais:
aumento do acesso aos serviços de saúde, maior envolvimento do
usuário no seu processo de saúde e de tomada de decisão relativa
à saúde, aumento da eficiência na prestação de serviços e
diminuição dos custos em saúde .
AGRADECIMENTOS
Este trabalho está sendo patrocinado pela RNP (Rede Nacional de
Ensino e Pesquisa) e pela empresa Microsoft.
REFERÊNCIAS
158