A Tomografia de Coerência Óptica (TCO) consiste numa técnica de imagem médica não invasiva e ausente do contacto directo com o paciente que avalia in vivo a histopatologia do tecido. Esta tem sido amplamente utilizada no diagnóstico médico para identificar diversas patologias, não só associadas ao órgão em estudo no presente projecto, mas também a outras doenças em geral.A Retinopatia Diabética (RD) e a Degeneração Macular Relacionada à Idade (DMRI) são atualmente consideradas como duas das principais doenças oculares relacionadas com a perda de visão nos países desenvolvidos. Estas doenças têm em comum o acúmulo de líquido dentro do tecido retiniano, formando o Edema Macular (EM). A detecção e caracterização da acumulação de líquido intra-retiniano na mácula constitui uma questão oftalmológica crucial, dado que este fornece informações úteis na identificação e no diagnóstico dos diferentes tipos de EM, indicando consequentemente a gravidade da doença. Estes tipos de edemas da retina são clinicamente definidos, segundo a classificação de referência do campo, como: Descolamento Seroso Exsudativo da Retina (DSER), Edema Macular Difuso (EMD) e Edema Macular Cistoide (EMC).O presente trabalho visa o desenvolvimento de um sistema automático capaz de detectar e caracterizar os três tipos de EM usando imagens TCO. Este sistema de Diagnóstico Assistido por Computador (DAC) usará diferentes estratégias as quais combinam técnicas de processamento de imagem e de aprendizagem máquina com o conhecimento clínico. No caso do reconhecimento dos edemas DSER e EMC, espera-se a aplicação de abordagens com base nos diferentes limiares de intensidades característicos destes edemas, enquanto que para os EMD, dada a sua complexidade e aparência regional, deve ser aplicada uma estratégia de aprendizagem para explorar propriedades características dessa região.Esta solução permitirá assegurar a redução de custos relacionados com operações cirúrgicas e tratamento clínico aumentando assim a qualidade do diagnóstico, reduzindo a subjectividade inter-especialistas culminando na melhora da qualidade de vida do paciente. A produtividade e eficiência dos especialistas irá igualmente aumentar dado que esta solução irá o seu trabalho será facilitado. AbstractThe Optical Coherence Tomography (OCT) consists of a non-invasive and contactless medical image technique that evaluates in vivo the histopathology of the tissue. It has been widely used in medical diagnosis to identify a large range of pathologies, not only associated to the organ under the present study but also with other diseases in general.The diabetic retinopathy (DR) and the Age-related Macular Degeneration (AMD) are considered the two major eye diseases that are currently related with the vision loss in the developed countries. These diseases have in common the fluid accumulation within the retinal tissue round the macular region, forming the Macular Edema (ME). The detection and characterization of the intraretinal fluid accumulation constitutes a crucial ophthalmological issue as i...

The automatic identification and segmentation of edemas associated with diabetic macular edema (DME) constitutes a crucial ophthalmological issue as they provide useful information for the evaluation of the disease severity. According to clinical knowledge, the DME disorder can be categorized into three main pathological types: serous retinal detachment (SRD), cystoid macular edema (CME), and diffuse retinal thickening (DRT). The implementation of computational systems for their automatic extraction and characterization may help the clinicians in their daily clinical practice, adjusting the diagnosis and therapies and consequently the life quality of the patients. In this context, this paper proposes a fully automatic system for the identification, segmentation and characterization of the three ME types using optical coherence tomography (OCT) images. In the case of SRD and CME edemas, different approaches were implemented adapting graph cuts and active contours for their identification and precise delimitation. In the case of the DRT edemas, given their fuzzy regional appearance that requires a complex extraction process, an exhaustive analysis using a learning strategy was designed, exploiting intensity, texture, and clinical-based information. The different steps of this methodology were validated with a heterogeneous set of 262 OCT images, using the manual labeling provided by an expert clinician. In general terms, the system provided satisfactory results, reaching Dice coefficient scores of 0.8768, 0.7475, and 0.8913 for the segmentation of SRD, CME, and DRT edemas, respectively.

No abstract

No abstract

No abstract