Desarrollo de un sistema automático de discriminación del campo visual glaucomatoso basado en un clasificador Neuro-Fuzzy

  1. J García-Feijoó
  2. EJ Carmona Suárez
  3. LM Gallardo
  4. M González Hernández
  5. A Fernández Vidal
  6. M González de la Rosa
  7. J Mira Mira
  8. J García Sánchez
Revista:
Archivos de la Sociedad Española de Oftalmologia

ISSN: 0365-6691

Ano de publicación: 2002

Volume: 77

Número: 12

Páxinas: 669-676

Tipo: Artigo

DOI: 10.4321/S0365-66912002001200006 DIALNET GOOGLE SCHOLAR lock_openAcceso aberto editor

Outras publicacións en: Archivos de la Sociedad Española de Oftalmologia

Obxectivos de Desenvolvemento Sustentable

Resumo

Objetivo: Construir un sistema automático de clasificación del campo visual (CV), basado en reglas fuzzy, como herramienta de ayuda al diagnóstico de glaucoma. Método: Se analizaron 212 perimetrías blanco-blanco (OCTUPUS 123 programa G1X) correspondientes a 61 controles y 151 glaucomatosos (incipientes 49,0%, moderados 29,1% y avanzados 21,9%) de 198 pacientes. Criterios de inclusión (glaucomatosos): Agudeza visual >0,5, PIO <20 mm Hg (con tratamiento), refracción (<5D y experiencia perimétrica previa. Criterios de exclusión: mióticos, otra patología ocular que pudiera afectar la realización de la perimetría; Controles: Agudeza visual >0,5 sin patología ocular salvo defectos de refracción (refracción (5D). Un clasificador neuro-fuzzy (NEFCLASS) es un sistema formado por un conjunto de reglas fuzzy, obtenidas a partir de un proceso de aprendizaje, que pretende asignar a una entrada dada la clase de salida correspondiente. Inicialmente, se seleccionan las características de entrada, seguidamente, se construye una base de reglas a partir del conocimiento a priori existente y, finalmente, la etapa de aprendizaje, permite optimizar los parámetros del clasificador. Resultados: Utilizando como características de entrada los defectos medios, calculados en áreas específicas del CV, se obtuvieron cinco reglas que arrojaron unos valores de sensibilidad y especificidad del 96,0% y 93,4%, respectivamente. Conclusiones: La aplicación de técnicas neuro-fuzzy en la discriminación de campos visuales normales y glaucomatosos ofrece resultados muy competitivos frente a técnicas ya utilizadas en esta tarea (análisis discriminante y redes neuronales).

Referencias bibliográficas

  • Quigley, HA. (1996). Number of people with glaucoma worldwide. Br J Ophthalmol. 80. 389-393
  • Asman, P, Heijl, A. (1992). Glaucoma Hemifield Test: Automated visual field evaluation. Arch Ophthalmol. 110. 812-819
  • Antón, A, Maquet, JA, Mayo, A, Tapia, J, Pastor, JC. (1997). Value of logistic discriminant analysis for interpreting initial of visual field defects. Ophthalmology. 104. 525-531
  • Goldbaum, MH, Sample, PA, White, H, Colt, B, Raphaelian, P, Fechtner, RD. (1994). Interpretation of automated perimetry for glaucoma by neural network. Invest Ophthalmol Vis Sci. 35. 3362-3373
  • Henson, DB, Spenceley, SE, Bull, DR. (1996). Spatial classification of glaucomatous visual field loss. Br J Ophthalmol. 80. 526-531
  • Brigatti, L, Hoffman, D, Caprioli, J. (1996). Neural networks to identify glaucoma with structural and functional measurements. Am J Ophthalmol. 121. 511-521
  • Brigatti, L, Nouri-Mahdavi, K, Weitzman, M, Caprioli, J. (1997). Automatic detection of glaucomatous visual field progression with neural networks. Arch Ophthalmol. 115. 725-728
  • Keating, D, Mutlukan, E, Evans, A, Mc Garvie, J, Damato, B. (1993). A back propagation neural network for the classification of visual field data. Phys Med Biol. 38. 1263-1270
  • Mutlukan, E, Keating, D. (1994). Visual field interpretation with a personal computer based neural network. Eye. 8. 321-323
  • Henson, DB, Spenceley, SE, Bull, DR. (1997). Artificial neural network analysis of noisy visual field data in glaucoma. Artif Intell Med. 10. 99-113
  • Lietman, T, Eng, J, Katz, J, Quigley, HA. (1999). Neural networks for visual field analysis: how do they compare with other algorithms?. J Glaucoma. 8. 77-80
  • Zadeh, LA. (1969). Proc. Int. Symp.: Biocybernetics of the Central Nervous System. Boston. Little, Brown & Co.
  • Teodorescu, HL, Kandel, A, Jain, LC. (1999). Fuzzy Logic and Neuro-fuzzy Systems in Medicine. CRC Press. London.
  • Herrmann, CS. A Hybrid Fuzzy-Neural Expert System for Diagnosis. IJCAI. 1995.
  • Peña-Reyes, CA, Sipper, M. Evolving fuzzy rules for breast cancer diagnosis. 2. Proc Int Symp on Nonlinear Theory and Applications (NOLTA'98). Lausanne. 1998.
  • Blekas, K, Stafylopatis, A, Kontoravdis, D, Likas, A, Karakitsos, P. (1998). Cytological Diagnosis Based on Fuzzy Neural Networks. Journal of Intelligent Systems. 8. 1-2
  • Ayoubi, M, Isermann, R. (1997). Neuro-fuzzy systems for diagnosis. Fuzzy sets and Systems. 89. 289-307
  • Accornero, N, Capozza, M. (1995). OPTONET: neural network for visual field diagnosis. Med Biol Eng Comput. 33. 223-226
  • González de la Rosa, M, González Hernández, M, Aguilar Estévez, J, Abreu Reyes, A, Pareja Ríos, A. (2002). Clasificación topográfica del campo visual glaucomatoso. Arch Soc Esp Oftalmol. 77. 87-94
  • Nauck, D, Kruse, R. NEFCLASS: A Neuro-Fuzzy Approach for the Classification of Data. Applied Computing 1995. ACM Symposium on Applied Computing. Nashville. 1995.
  • Decloedt, L, Osorio, F, Amy, B. (1996). Proceedings of the AISB'96: Workshop on Rule Extraction from Trained Neural Nets, QUT. Springer. Brighton.
  • Setiono, R, Kheng, W. (2000). An Algorithm for Fast Extraction of Rules from Neural Networks. Applied Intelligence. 12. 1-2
  • Nauck, D, Kruse, R. How the Learning of Rule Weights Affects the Interpretability of Fuzzy Systems. IEEE International Conference on Fuzzy Systems (FUZZ-IEEE´98). Anchorage AK. 1988.
Fonte de datos: Dialnet