Un nuovo algoritmo per la segmentazione delle ghiandole di Meibomio e la classificazione delle immagini meibografiche a infrarossi

In this thesis work a new algorithm was developed for Meibomian glands segmentation and clinical parameters extraction for the quantitative description of infrared meibography images. Furthermore, a machine learning model was developed for the classification of pairs of images acquired before and after a given treatment. The thesis has been divided into three chapters. The first begins by framing the anatomy and physiology of the meibomian glands, continues by describing in depth the Meibomian gland dysfunction and concludes by presenting the imaging technique used for the acquisition of the subsequently processed images. The second chapter offers an overview of the theory underlying digital image processing by focusing on processing methods in the spatial domain and frequency domain, object segmentation and morphological operations. The discussion in this chapter will be functional to the developed algorithm and is not meant to be a digital image processing manual, indeed the processing techniques described will be exclusively those used in the code. The third and final chapter is mainly dedicated to the image processing algorithm, with particular attention to exposing the problems encountered, the solutions found and the implementation strategies adopted. We will then illustrate all the functions created specifically for meibography analysis which have as their final objective the extraction of morphological and intensity parameters. Finally, the automatic classification model is described and its performances are reported. Lastly the results are reported, evaluating the clinical parameters chosen and extracted in this thesis work on a dataset of 98 images: a contrast metric of Meibomian gland pixel intensities in addition to a more traditional morphological metric. These results demonstrate that the extracted parameters allow to recognize an improvement or worsening after a specific treatment the patient underwent. This is also confirmed by the good performances achieved by the classification model that uses them as input.

In questo lavoro di tesi è stato sviluppato un nuovo algoritmo per la segmentazione delle ghiandole di Meibomio e l’estrazione di parametri clinici per la descrizione quantitativa delle immagini meibografiche a infrarossi. Inoltre, è stato sviluppato un modello di machine learning per la classificazione di coppie di immagini acquisite prima e dopo un determinato trattamento. L’elaborato è stato diviso in tre capitoli. Il primo inizia inquadrando l’anatomia e la fisiologia delle ghiandole di Meibomio, prosegue descrivendo approfonditamente la disfunzione della ghiandola di Meibomio e si conclude presentando la tecnica di imaging utilizzata per l’acquisizione delle immagini elaborate in seguito. Il secondo capitolo offre una panoramica sulla teoria che sta alla base dell’elaborazione delle immagini digitali concentrandosi sui metodi di elaborazione nel dominio spaziale e nel dominio della frequenza, sulla segmentazione degli oggetti e sulle operazioni morfologiche. La trattazione presente in questo capitolo sarà funzionale all’algoritmo sviluppato e non intende essere un manuale di digital image processing, infatti le tecniche di elaborazione descritte saranno esclusivamente quelle utilizzate nel codice. Il terzo e ultimo capitolo è principalmente dedicato all’algoritmo per l’elaborazione delle immagini, con particolare attenzione nell’esporre i problemi incontrati, le soluzioni trovate e le strategie implementative adottate. Verranno quindi illustrate tutte le funzioni realizzate appositamente per l’analisi delle meibografie che hanno come obiettivo finale l’estrazione dei parametri morfologici e di intensità. Per finire viene descritto il modello di classificazione automatica e ne vengono riportate le prestazioni. Vengono infine riportati i risultati, valutando su un dataset di 98 immagini i parametri clinici scelti ed estratti in questo lavoro di tesi: una metrica di contrasto delle intensità dei pixel delle ghiandole di Meibomio in aggiunta a una più tradizionale metrica morfologica. Tali risultati dimostrano che i parametri estratti consentono di riconoscere un miglioramento o un peggioramento, in seguito ad uno specifico trattamento a cui viene sottoposto il paziente. Questo è confermato anche dalle buone prestazioni che ottiene il modello di classificazione che li utilizza come input.