Vázquez-Romaguera T, Pérez-Marrero CA, Vázquez-Seisdedos CR

Idioma: Español
Referencias bibliográficas: 13
Paginas: 1-10
Archivo PDF: 560.97 Kb.

RESUMEN

Introducción: El seguimiento del centro de la pupila usando imágenes de videooculografía se usa ampliamente para el diagnóstico de enfermedades del sistema nervioso. La diferencia entre el valor detectado automáticamente del centro de la pupila y el valor de referencia marcado por un especialista (anotación) determina la exactitud del diagnóstico. El proceso de anotación manual es muy laborioso, tedioso y propenso a errores humanos. Las anotaciones son esenciales para desarrollar y evaluar los algoritmos en el área de visión artificial, principalmente aquellos basados en el aprendizaje supervisado, sin embargo, existen pocas herramientas interactivas para realizar la anotación fiable del centro de la pupila.
Objetivo: Desarrollar una herramienta de código abierto para anotar el centro de la pupila.
Método: Se definieron los requisitos funcionales y no funcionales de la herramienta y se implementaron dos algoritmos para la anotación semiautomática del centro de la pupila basados en los métodos de ajuste de elipse y de círculo, a partir de varios puntos marcados por el especialista.
Resultados: La aplicación software, denominada PUPILA, fue desarrollada en Python, desde marzo de 2020 a septiembre de 2020, y proporciona varias funciones auxiliares que facilitan la tarea del anotador.
Conclusiones: La nueva herramienta proporciona un ambiente agradable e interactivo para anotar el centro de la pupila garantizando comodidad, exactitud y reducción de subjetividades en el trabajo del especialista. Es de código abierto y multiplataforma, lo que permite su compatibilidad con diversos dispositivos y su uso gratuito. Ha permitido anotar imágenes de bases de datos públicas y otras adquiridas experimentalmente.

REFERENCIAS (EN ESTE ARTÍCULO)

1. Vázquez Romaguera T, Vázquez Romaguera L, Castro Piñol D, Vázquez Seisdedos CR. Pupil Center Detection Approaches: A Comparative Analysis. Comp Sist [Internet]. 2021 [citado 03/01/2022]; 25(1):67-81, Disponible en: https://www.cys.cic.ipn.mx/ojs/index.php/CyS/article/viewFile/3385/31771.

2. Min-Allah N, Jan F, Alrashed S. Pupil detection schemes in human eye: a review. Multimed Syst [Internet]. 2021 [citado 03/01/2022]; 27:753-777. DOI: https://doi.org/10.1007/s00530-021-00806-52.

3. Park J, Lee YW. A Comparative Study on the Center-based Iterative Hough Transform. J Stud Res [Internet]. 2020 [citado 07/01/2022]; 9(2):1-10, DOI: https://doi.org/10.47611/jsrhs.v9i2.12063.

4. Manchalwar MD, Warhade KK. Histogram of Oriented Gradient based Automatic Detection of Eye Diseases. En: International Conference on Computing, Communication, Control and Automation (ICCUBEA), 2017. IEEE; 2017. [citado 07/01/2022]. Disponible en: https://ieeexplore.ieee.org/document/84636714.

5. Vázquez Romaguera L, Perdigón Romero F, Vázquez Seisdedos CR, Fernandes Costa CF, Fernándes Costa MG. Detecção automática da pupila usando ajuste de elipse, 2016. En: XXV Congresso Brasileiro de Engenharia Biomédica, 2016. Brazil: Anais do CBEB; 2016. [citado 07/01/2022]. Disponible en: https://www.researchgate.net/publication/312041891_AUTOMATIC_PUPIL_DETECTION_USING_ELLIPSE_FITTING5.

6. Araujo GM, Ribeiro FML, Júnior WSS, Silva EAB da, Goldenstein SK. Weak Classifier for Density Estimation in Eye Localization and Tracking. IEEE Trans Image Proc [Internet]. 2017 [citado 12/01/2022]; 26(7):3410-3424. Disponible en: https://ieeexplore.ieee.org/document/78987926.

7. Riyazuddin YMD, Mahaboob Basha S, Krishna Reddy K, Naseera Banu S. Effective Usage of Support Vector Machine in Face Detection. Int J Eng Res Adv Technol [Internet]. 2020 [citado 12/01/2022]; 9(3):1336-1340, Disponible en: https://www.ijeat.org/wp-content/uploads/papers/v9i3/C5406029320.pdf7.

8. Han SY, Kwon HJ, Kim Y, Cho NI. Noise-Robust Pupil Center Detection Through CNN-Based Segmentation with Shape-Prior Loss. IEEE Access [Internet]. 2020 [citado 12/01/2022]; 8:64739-64749. Disponible en: https://ieeexplore.ieee.org/abstract/document/90554248.

9. Vázquez Romaguera T, Hubert Sánchez F, Vázquez Seisdedos CR. Herramienta para anotación de imágenes oculares. En: XVIII Convención y Feria Informática Internacional 2020, V Conferencia Internacional en Ciencias Computacionales e Informática, Marzo 16-20, 2020. La Habana; 2020. [citado 12/01/2022]; Disponible en: http://www.informaticahabana.cu/es/node/55889.

10. Roli F, Vitulano S. Image Analysis and Processing. En: 13th International Conference, Cagliari, Italy, Sep 6-8, 2005. Italia: Springer; 2005. Disponible en: https://link.springer.com/book/10.1007/1155359510.

11. Center of Biometrics and Security Research. CASIA Iris Image Database [Internet]. Beijing, China: CASIA; 2005 Disponible en: http://www.cbsr.ia.ac.cn/english/IrisDatabase.asp11.

12. Kothari RS, Chaudhary AK, Bailey RJ, Pelz JB, Diaz GJ. Ellseg: An ellipse segmentation framework for robust gaze tracking. IEEE Trans Visual Comp Grap [Internet]. 2021 [citado 13/01/2022]; 27(5):2757-2767. Disponible en: https://ieeexplore.ieee.org/abstract/document/938965012.

13. Rubio J de. Stability analysis of the modified Levenberg-Marquardt algorithm for the artificial neural network training. IEEE Trans Neural Netw Learn Syst [Internet]. 2020 [citado 13/01/2022], 32(8):3510-3524. Disponible en: https://ieeexplore.ieee.org/abstract/document/917056613.