MV_dissertacao-versao-final.pdf.pdf
Documento PDF (1.7MB)

Exibir conteúdo Baixar

                    UNIVERSIDADE FEDERAL DE ALAGOAS
INSTITUTO DE COMPUTAÇÃO
PROGRAMA DE PÓS GRADUAÇÃO EM INFORMÁTICA

MARCUS VINÍCIUS LIMA SANTOS

Detecção automática da camada epitelial da córnea a partir de imagens de Scheimpflug

Maceió-AL
Maio de 2022

MARCUS VINÍCIUS LIMA SANTOS

Detecção automática da camada epitelial da córnea a partir de imagens de Scheimpflug

Dissertação apresentada como requisito parcial
para obtenção do grau de Mestre pelo Programa
de Pós-Graduação em Informática do Instituto
de Computação da Universidade Federal de Alagoas.

Orientador: Aydano Pamponet Machado
Coorientador: Edileuza Leão

Maceió-AL
Maio de 2022

Catalogação na fonte
Universidade Federal de Alagoas
Biblioteca Central
Divisão de Tratamento Técnico
Bibliotecária: Taciana Sousa dos Santos – CRB-4 – 2062
S237d

Santos, Marcus Vinícius Lima.
Detecção automática da camada epitelial da córnea a partir de imagens
de Scheimpflug / Marcus Vinícius Lima Santos. – 2022.
37 f. : il. color.
Orientador: Aydano Pamponet Machado.
Coorientadora: Edileuza Leão.
Dissertação (Mestrado em Informática) – Universidade Federal de
Alagoas. Instituto de Computação. Maceió, 2022.
Bibliografia: f. 34-37.
1. Córnea. 2. Epitélio. 3. Processamento de imagens. 4. Câmera de
Scheimpflug. I. Título.
CDU: 004: 617.7

UNIVERSDADE FEDERAL DE ALAGOAS/UFAL
P'rograma de Pós-Graduaçao em lnformátiea -

PPGI

lustituto de Computação/UFAL
C'ampus A. C. Simdes BR 104-Norte Km 14 BL. 12 Tabuleiro do Matins
UNIVERSIDADEPEDERAL
DE ALAGOAS

Maceid AL Brasil CEP: S7072-070 | Telelone: (082) 1214-1401
-

Folha de Aprovação

MARCUS VINÍCIUS LIMA SANTOS

DETECÇÃO AUTOMÁTICA DA CAMADA EPITELIAL DA cÖRNEA A PARTIR DE
IMAGENS DE SCHEIMPFLUG
Dissertação submetida ao corpo docente do Programa
de Pós-Graduação em Informática da Universidade
Federal de Alagoas e aprovada em 30 de maio de
2022.

Banca Examinadora:

slnolel.e l o .
Prof. Dr. AYDANO PAMPONET MACHADO
UFAL- Instituto de Computação
Orientador

Prof. Dr. MARCELO COSTA OLIVEIRA
UFAL- Instituto de Computação
Examnador lnterno

Profa. Dra. EDLEUZA VIRGINIO LEÄO
UNCISAL-Universidade Estadual de Ciêncius da Saúdede Alugoas
Coorientndora

mov
Prof. Dr.
UNCISAL

J0ÃQ|MARCELO DE ALMEIDA GUSMÃO 1aRA

-Univetsidade Estadnl de Ciências da Saúle de Alagoas
Examinador Exteruo0

RESUMO
Introdução: A córnea é responsável pela recepção dos raios luminosos e é a parte mais exposta
do olho é composta histologicamente por 5 camadas, que da parte mais externa para a interna
estão dispostas: epitélio, membrana de Bowman, estroma, membrana de Descemet e o endotélio.
O epitélio é a camada mais exposta da córnea. Existem doenças que afetam a córnea como
por exemplo o ceratocone causando alterações nas camadas da córnea a investigação dessas
doenças tem grande relevância para a prática clínica e permitem a detecção, muitas vezes precoce,
dessas doenças. Também existem equipamentos que auxiliam no diagnostico dessas doenças,
fornecendo informações importantes. Utilizar técnicas para extrair novas informações referentes
ao epitélio para esses equipamentos, contribui ainda mais para um diagnostico mais preciso, visto
que o epitélio é a primeira camada que é impactada com doenças como o ceratocone. Objetivo:
Identificar o epitélio de forma automatizada nas imagens obtidas pela câmera Scheimpflug.
Metodologia: A metodologia proposta consiste em analisar 279 exames de córneas normais
obtidas através das capturas realizadas pela câmera Scheimpflug aplicar os métodos clássicos de
detecção de bordas existentes na literatura para identificar, isolar, validar e analisar informações
do epitélio. Resultados: Os algoritmos Canny, Zerocross e Log conseguiram detectar o epitélio
na medida total as menores médias encontradas em ambas espessuras foram com os métodos
log e zerocross com suas variações, que tiveram 79.74 µm, 79.85 µm e 80.38 µm na espessura e
65.91 µm, 66.08 µm e 67.25 µm na espessura pela distância euclidiana. Porém zerocross teve
o menor número de imagens defeituosas e log teve mais de 50% das imagens da base com
problemas. Na medida central as menores média encontradas em ambas espessuras também
foram com os métodos log e zerocross com suas variações, que tiveram 75.50 µm, 75.58 µm e
75.75 µm na espessura e 61.61 µm, 61.70 µm e 62.04 µm na espessura pela distância euclidiana.
Conclusão: Conseguimos realizar a identificação do epitélio de forma automatizada com as
imagens da câmera Scheimpflug com os métodos de detecção de bordas Canny, Log e Zerocross
e conseguimos ter um aproveitamento maior das imagens utilizando Zerocross com Theshold:
0.0003.
Palavras-chaves: Córnea. Epitélio. Processamento de imagens. Scheimpflug.

ABSTRACT
Introduction: The cornea is responsible for receiving light rays and is the most external part
of the eye. It is histologically composed of 5 layers, which from the outermost to the inner
part are arranged: epithelium, Bowman’s membrane, stroma, Descemet’s membrane, and the
endothelium. The epithelium is the most exposed layer of the cornea. Some diseases affect the
cornea causing alterations in the corneal layers. The investigation of these diseases is of great
relevance to clinical practice and allows the detection, often early, of these diseases. There is
also equipment that helps in the diagnosis of these diseases, providing important information.
Using techniques to extract new information regarding the epithelium for these devices further
contributes to a more accurate diagnosis. The epithelium is the first layer that is impacted
by diseases such as keratoconus. Objective: Identify the epithelium in an automated way in
the images obtained by the Scheimpflug camera. Methodology: The proposed methodology
analyzes 279 exams of normal corneas obtained through the captures by the Scheimpflug camera,
applying the classic methods of detection of edges existing in the literature to identify, isolate,
validate and analyze information from the epithelium. Results: The Canny, Zerocross, and Log
algorithms were able to detect the epithelium in the total measure, the lowest averages found in
both thicknesses were with the log and zerocross methods with their variations, which had 79.74
µm, 79.85 µm and 80.38 µm in thickness and 65.91 µm, 66.08 µm and 67.25 µm in thickness
by Euclidean distance. However, zerocross had the lowest number of defective images, and log
had more than 50% of the base images with problems. In the central measure, the lowest average
found in both thicknesses was also with the log and zerocross methods with their variations,
which had 75.50 µm, 75.58 µm and 75.75 µm in the thickness and 61.61 µm, 61.70 µm and
62.04 µm in the thickness by the Euclidean distance. Conclusion:We were able to perform the
identification of the epithelium in an automated way with the images of the Scheimpflug camera
with the edge detection methods Canny, Log, and Zerocross and we were able to have better use
of the images using Zerocross with Threshold: 0.0003.
Keywords: Cornea. Epithelium. Image processing. Scheimpflug.

LISTA DE ILUSTRAÇÕES

Figura 1 – Córnea humana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Figura 2 – Camadas da córnea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Figura 3 – Olho normal e olho com ceratocone . . . . . . . . . . . . . . . . . . . . . .
Figura 4 – Exemplo de uma imagem de Scheimpflug da córnea gerado pelo Corvis ST .
Figura 5 – Esquema do princípio de Scheimpflug . . . . . . . . . . . . . . . . . . . .
Figura 6 – Imagem de Scheimpflug da córnea e do segmento anterior . . . . . . . . .
Figura 7 – Corvis ST . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Figura 8 – Exemplo de imagens de Scheimpflug da córnea gerados pelo Corvis ST . .
Figura 9 – Exemplo de uma imagem da córnea capturada e exportada pelo Corvis ST .
Figura 10 – Comparação das curvaturas para a definição do epitélio . . . . . . . . . . .
Figura 11 – Comparação antes e depois da remoção de objetos . . . . . . . . . . . . . .
Figura 12 – Identificação do epitélio com o método de detecção de bordas Canny com
Threshold: 0 e Gaussian filter: 2 . . . . . . . . . . . . . . . . . . . . . . . .
Figura 13 – Ligação da coluna inicial no epitélio . . . . . . . . . . . . . . . . . . . . .
Figura 14 – Imagem com somente as curvaturas referentes ao epitélio utilizando Canny
com Threshold: 0 e Gaussian filter: 2 . . . . . . . . . . . . . . . . . . . . .
Figura 15 – Preenchimento morfológico do epitélio utilizando Canny com Threshold: 0 e
Gaussian filter: 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Figura 16 – Gráficos da área do epitélio após o preenchimento morfológico parte 1 . . .
Figura 17 – Gráficos da área do epitélio após o preenchimento morfológico parte 2 . . .
Figura 18 – Imagens defeituosas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7
8
9
10
13
14
15
15
19
20
22
23
23
24
24
26
27
28

LISTA DE TABELAS

Tabela 1 – Métodos e parâmetros com melhores resultados visuais . . . . . . . . . . .
Tabela 2 – Resultado do número de imagens defeituosas . . . . . . . . . . . . . . . . .
Tabela 3 – Resultado da espessura do epitélio (µm) . . . . . . . . . . . . . . . . . . .
Tabela 4 – Resultado da área do epitélio (µm) . . . . . . . . . . . . . . . . . . . . . .

22
28
30
31

SUMÁRIO

1
1.1
1.2
1.3
1.4
1.5
1.6

INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Córnea Humana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Importância do estudo do epitélio . . . . . . . . . . . . . . . . . . . . . .
Problema de pesquisa . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Hipóteses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7
7
8
10
10
11
11

2
2.1
2.1.1
2.1.2

12
12
12
12

2.2

FUNDAMENTAÇÃO TEÓRICA E TRABALHOS RELACIONADOS .
Fundamentação Teórica . . . . . . . . . . . . . . . . . . . . . . . . . . .
Métodos de análise da córnea . . . . . . . . . . . . . . . . . . . . . . . .
Análise das imagens de Scheimpflug da córnea . . . . . . . . . . . . . .
Corvis ST . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Trabalhos Relacionados . . . . . . . . . . . . . . . . . . . . . . . . . . .

3
3.1
3.1.1
3.2
3.3
3.4
3.4.1
3.4.2
3.5
3.5.1
3.5.2

MATERIAIS E MÉTODOS . . . . . . . . . . . . . . . . . . . . . . . . .
Base de dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Função de cada base de dados . . . . . . . . . . . . . . . . . . . . . . . .
Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Aquisição da imagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Identificação das curvaturas que correspondem ao epitélio . . . . . . . .
Pré-seleção visual dos parâmetros e métodos de detecção de bordas . . .
Remoção de objetos que não fazem parte do epitélio . . . . . . . . . . .
Isolamento das curvaturas de interesse . . . . . . . . . . . . . . . . . . .
Preenchimento morfológico do epitélio . . . . . . . . . . . . . . . . . . .
Avaliação e análise do epitélio . . . . . . . . . . . . . . . . . . . . . . . .

18
18
18
18
19
20
21
22
23
24
25

4

RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

30

5

DISCUSSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

32

6
6.1

CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

33
33

REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

34

2.1.2.1

14

15

7

1 INTRODUÇÃO

A visão é um dos sentidos principais e essenciais para grande parte do seres vivos. Os
olhos humanos apresentam formato próximo de uma esfera e são capazes de captar e transforma
a luz refletida pelos objetos em qualquer ambiente. A córnea é responsável pela recepção dos
raios luminosos e é a parte mais exposta do olho (DELMONTE; KIM, 2011). Ela também é
responsável por da maior poder refrativo ao olho (MUTTI, 2001), além da sua função refrativa
exerce funções química e mecânica (POMFRETT, 2017). A Figura 1 mostra onde fica localizada
a córnea em um olho humano.
Figura 1 – Córnea humana

Disponível em: https://brascrs.com.br/auxiliares/cornea/. Acesso em: 17 Janeiro. 2022.

1.1

Córnea Humana

A córnea humana é composta histologicamente por 5 camadas, que da parte mais externa
para a mais interna estão dispostas na Figura 2: epitélio, membrana de Bowman, estroma,
membrana de Descemet e o endotélio. O epitélio é a camada mais exposta da córnea. sua
espessura tem cerca de 0,005mm (NAUMANN; APPLE, 1988) que corresponde a cerca de 10%
da espessura da córnea.

8
Figura 2 – Camadas da córnea

Fonte: Rabinowitz (1998)
1.2

Importância do estudo do epitélio

Uma das principais funções do epitélio são bloquear a passagem de agentes patogênicos
para o olho, absorver oxigênio e nutrientes do filme lacrimal (FATT, 1978) e controlar o inchaço
do estroma (PATEL; ALIÓ; PÉREZ-SANTONJA, 2004).
Existe uma doença que afeta a córnea o ceratocone que é um distúrbio corneano progressivo, não inflamatório, caracterizada por perda gradual e compressão de fibrilas de colágeno,
desenvolvendo um afinamento progressivo e uma protrusão corneana cônica (RABINOWITZ,
1998). Comparação entre olho normal e ceratocone é visto na Figura 3. O epitélio é a primeira
camada que é impactada com o ceratocone (LEIBOWITZ, 1984), isso mostra que as alterações em torno do epitélio podem ser causadas pela doença (TSUBOTA et al., 1995). Com as
informações do epitélio, podemos detectar a doença de forma mais precoce, devido as alterações que podem ocorrer. Quando o ceratocone é detectado em estágios leves aumentamos o
número de tratamentos possíveis. Além disso, existem estudos que mostram que antes de ocorrer
o afinamento progressivo da córnea, há alterações nas propriedades biomecânicas da córnea
(ROBERTS; DUPPS, 2014), isso mostra que há possibilidades de se detectar esta doença de
forma mais precoce e que informações sobre as camadas da córnea podem auxiliar ainda mais
nessa detecção.

9
Figura 3 – Olho normal e olho com ceratocone

Disponível em: <http://www.cornea.org/ Learning-Center/Conditions-Research-Areas/Keratoconus.aspx>.Acesso em: 22 out. 2021

Para a analise da córnea, inicialmente o principal impeditivo foram as limitações tecnológicas. Mas, com o grande crescimento tecnológico ao decorrer dos anos, permitiu-se a
aquisição e a analise de imagens da córnea, que foi fundamental para evolução de métodos como
a topografia corneana. Além disso, para se obter dados referentes a medição da espessura da
córnea, foi utilizado por MAURICE e GIARDINI (1951) o paquímetro ótico que utiliza a técnica
ultrassônica para determinar a distância entre as superfícies frontal e posterior da córnea. Com
isso, Mandell e Polse (1969) utilizaram um paquímetro ótico com modificações para propor o
estudo do perfil horizontal da espessura da córnea e com isso conseguiram adicionar mais uma
opção para realizar o diagnostico de doenças na córnea. Depois disso, veio o surgimento da tomografia que realiza a reconstrução tridimensional da córnea e fornece informações importantes
como a espessura e as superfícies anterior e posterior da córnea (AMBRÓSIO; BELIN, 2010).
Essas diferentes tecnologias são utilizadas para analise da córnea, atualmente os dispositivos comumente utilizados pelos oftalmologistas para estudar e analisar a córnea utilizam
uma câmera de Scheimpflug que capturam imagens transversais da córnea, são exemplos de
tais equipamentos: Corvis ST, Pentacam e Galilei. Os equipamentos que utilizam essa câmera
utilizam o princípio de Scheimpflug e consegue gerar informações importantes sobre a córnea.
como é mostrado na Figura 4.
As imagens utilizadas neste trabalho foram extraídas do Corvis ST que contém uma
câmera UHS Scheimpflug que captura 140 imagens transversais bidimensionais da córnea em 31
milissegundos cobrindo 8mm horizontais antes e durante a tonometria de não contato por sopro
de ar (AMBRÓSIO et al., 2013). Além disso, registra uma imagem no primeiro momento estático
da zona central da córnea. A imagem no primeiro momento estático não sofre deformação. O foco
deste trabalho foi em torno do primeiro momento estático onde a córnea não sofre deformação
pelo sopro de ar.

10
Figura 4 – Exemplo de uma imagem de Scheimpflug da córnea gerado pelo Corvis ST

Fonte: Elaborado pelo autor.
A computação atua no aprimoramento desses equipamentos e no tratamento dessas
imagens com a utilização técnicas de processamento de imagens. Existe uma grande gama
de técnicas que conseguem extrair informações das imagens para resolver diversos tipos de
problemas (JACINTHA et al., 2018). Com a aplicação desses métodos em tipos de imagens que
utilizam a câmera de Scheimpflug, podemos adicionar novos parâmetros que não existem a estes
equipamentos. Trabalhos como o de Koprowski (2014) que faz a extração de novas informações
baseado na deformação da córnea com as imagens do Corvis ST, motiva a exploração das técnicas
de processamento de imagens para extrair informações das imagens.
Visto isso, existem doenças que afetam a córnea, como por exemplo o ceratocone,
causando alterações nas camadas da córnea a investigação dessas doenças tem grande relevância
para a prática clínica e permitem a detecção, muitas vezes precoce, dessas doenças.
Utilizar técnicas para extrair novas informações referentes ao epitélio para esses equipamentos, contribui ainda mais para um diagnostico mais preciso, visto que o epitélio é a primeira
camada que é impactada com doenças como o ceratocone (LEIBOWITZ, 1984).
O foco deste trabalho é identificar o epitélio de forma automatizada nas imagens obtidas
pela câmera Scheimpflug. Para isto, iremos analisar o epitélio em córneas normais e o resultado
das medições em cada imagem e entre as imagens. Ampliando assim a capacidade de estudo e
análise dos equipamentos que utilizam essa tecnologia dando mais opções e informações para os
oftalmologistas.
1.3

Problema de pesquisa

Como realizar a segmentação do o epitélio em imagens da córnea capturadas de aparelhos
comumente utilizados na prática oftalmológica?
1.4

Hipóteses
As principais hipóteses propostas neste trabalho são:
1. Identificar quais métodos clássicos de detecção de bordas são capazes de extrair o epitélio

11
excluindo os ruídos das imagens e realizando a separação do epitélio das outras camadas
da córnea.
2. Extrair informações relevantes e não explorados através de imagens Scheimpflug de
equipamentos de menor custo.
1.5

Objetivos

O objetivo geral é identificar o epitélio de forma automatizada nas imagens obtidas pela
câmera de Scheimpflug.
Para isso é proposto a utilização de métodos clássicos de detecção de bordas para
segmentar as imagens de Scheimpflug e realizar processos para identificar, isolar e preencher o
epitélio.
Os objetivos específicos são listados a seguir:
• Realizar a segmentação das imagens para identificar o epitélio, baseando-se em métodos
de detecção de bordas clássicos de referência existentes na literatura.
• Analisar as metodologias aplicadas e seus parâmetros em uma amostra reduzida para
identificar quais métodos tiveram um melhor resultado visual e excluir os métodos que
não conseguiram identificar as curvaturas de interesse.
• Propor um método automático com procedimentos para ligar as camadas do epitélio na
imagem e para retirada das curvaturas que não fazem parte do epitélio
• Propor uma análise da área do epitélio para identificar as imagens que contém ruídos
• Realizar a extração e avaliação das informações do epitélio
1.6

Contribuições

A principal contribuição deste trabalho é identificar quais métodos de detecção de
bordas identificam o epitélio utilizando imagens captadas pela câmera Scheimpflug presentes
em tomógrafos e tonômetros já comumente utilizados na prática clínica para um estudo mais
macro da córnea. Já existem aparelhos concebidos para a extração de informações do epitélio,
entretanto adicionar essa capacidade aos tonómetros e tomógrafos pode em certas situações
anular a necessidade de mais de um exame ao paciente, poupando custos, garantindo eficácia
e precisão nos resultados de um único exame. A identificação de informações referentes as
camadas da córnea através de um método não invasivo tem grande impacto na realização deste
tipo de exame, adicionando mais informações relevantes auxiliando assim a tomada de decisões
mais precisas em relação as doenças da córnea.

12

2 FUNDAMENTAÇÃO TEÓRICA E TRABALHOS RELACIONADOS

Este capítulo destina-se a apresentar a teoria e o estado da arte sobre a detecção de bordas
e sobre a análise das imagens de Scheimpflug da córnea. Explicando pontos fundamentais para a
compreensão dos métodos propostos.
2.1

Fundamentação Teórica

Esta seção vai apresentar os conceitos básicos para compreensão do problema e dos
métodos propostos. Iniciamos explicando os tipos de avaliação da córnea existentes hoje para a
sua detecção na subseção 2.1.1. Explicação da análise das imagens Scheimpflug da córnea na
subseção 2.1.2 e informações sobre o método proposto na dissertação para detecção do epitélio.
2.1.1

Métodos de análise da córnea

Os exames mais utilizados para capturar dados da córnea focado no diagnóstico de
doenças e anormalidades são: topografia corneal, a tomografia corneal e a biomecânica da córnea
(CARNEIRO-FREITAS et al., 2017). A topografia tem grande contribuição na caracterização
do formato da córnea, ela representa a superfície anterior corneal. Ela tem grande importância
para o planejamento e cirurgia e para o diagnóstico do ceratocone (WILSON; AMBROSIO,
2001; RABINOWITZ; MCDONNELL, 1989). A tomografia corneal analisa tanto a superfície
anterior quanto a posterior formando assim um levantamento paquimétrico completo da córnea. A
tomografia cria um mapa 3D baseado em várias fotos de cortes transversais da córnea (FRANCO;
WHITE; KRUH, 2020). A biomecânica da córnea analisa as características de viscosidade,
elasticidade, entre outras. A viscosidade é a característica de materiais se deslocam após a
aplicação de uma força e não retorna ao seu estado inicial quando a força é zerada. A elasticidade
é a habilidade de um material retorna ao seu estado inicial após a aplicação de uma força que o
deforma externamente (ROBERTS; LIU, 2017).
2.1.2

Análise das imagens de Scheimpflug da córnea

Dentre os métodos de exames apresentados anteriormente, os tomógrafos e o analisador
biomecânico mais comumente utilizados no mundo fazem uso do princípio de Scheimpflug para
a captura das imagens da córnea. Esse princípio é uma regra geométrica normalmente utilizada
em fotografias e recebe esse nome por ter sido citado e creditado na patente original por Theodor
Scheimpflug, mas o próprio autor cita Jules Carpentier como primeiro descritor do conceito
(WEGENER; LASER-JUNGA, 2009).
Nessa técnica o plano de foco, o plano da lente e o plano do filme ficam de forma não
paralela (FARIA-CORREIA; AMBRÓSIO, 2016) como é mostrado na Figura 5. Nota-se na
figura que a lente se inclina para que o plano da lente resultante consiga intercepta os planos

13
do filme e de foco em uma linha de interseção, gerando assim a linha de Scheimpflug. Quando
comparamos a uma Câmera fotográfica convencional, o plano de lente é paralelo ao plano de
imagem e ao plano de foco. O princípio de Scheimpflug consegue aumentar a profundidade de
foco e a nitidez dos pontos da imagem em diferentes planos (WEGENER; LASER-JUNGA,
2009).
Figura 5 – Esquema do princípio de Scheimpflug

Fonte: Faria-Correia e Ambrósio (2016)
Em 1995, foi lançado o Orbscan [(originalmente Orbtek, Inc) Bausch Lomb Surgical,
Salt Lake City, EUA], que faz o seccionamento transversal óptico para análise da córnea. Este
instrumento foi projetado para fornecer dados tomográficos e extrai esses dados utilizando
a metodologia de paralelepípedo que projeta 40 fendas com um ângulo de Scheimpflug de
45 graus (FARIA-CORREIA; AMBRÓSIO, 2016). A tomografia digital com a câmara de
Scheimpflug rotativa é reconhecida como uma evolução a metodologia do paralelepípedo na
avaliação tomográfica da córnea e do segmento anterior, porque com o Orbscan as imagens
não apresentaram a mesma profundidade quando comparadas as obtidas pelos sistema de
Scheimpflug. Esse sistema rotativo tem um centro em comum em todas as imagens tornandoo mais preciso. O primeiro sistema que utilizou a fotografia de Scheimpflug rotacional foi
o Pentacam (Oculus, Wetzlar, Alemanha), na Figura 6 vemos a imagem de Scheimpflug da
córnea e do segmento anterior dentro do Pentacam. Existem outros equipamentos que utilizam a

14
tecnologia de imagem de Scheimpflug rotacional, são eles: Galilei (Ziemer, Suíça), o TMS-5
(Tomey, Nagoya, Japão); o Sirius (CSO; Florença, Itália), Preciso (Ivis Technologies, Taranto,
Itália) e o Corvis ST (Oculus Optikgerte GmbH, Wetzlar, Alemanha).
Figura 6 – Imagem de Scheimpflug da córnea e do segmento anterior

Fonte: Faria-Correia e Ambrósio (2016)

2.1.2.1

Corvis ST

O Corvis ST (Oculus Optikgerte GmbH, Wetzlar, Alemanha) contém uma câmera UHS
Scheimpflug que captura 140 imagens transversais bidimensionais da córnea em 31 milissegundos cobrindo 8mm horizontais antes e durante a tonometria de não contato por sopro de ar
(AMBRÓSIO et al., 2013). Além disso, registra uma imagem no primeiro momento estático da
zona central da córnea. A imagem no primeiro momento estático não sofre deformação. O foco
deste trabalho foi em torno do primeiro momento estático onde a córnea não sofre deformação
pelo sopro de ar.A figura 7 mostra o aparelho Corvis ST.
O Corvis ST analisa 8.5mm horizontalmente da córnea, o aparelho inicia a gravação antes
do lançamento do jato, registrando a córnea em seu estado normal; depois passa pela primeira
aplanação e da continuidade no movimento; atinge a sua concavidade máxima; após a parada
do jato; volta ao seu estado normal e passa pelo segundo momento de aplanação (AMBRÓSIO
et al., 2013). Os dados coletados por este aparelho são limitados a seção horizontal central da
córnea.

15
Figura 7 – Corvis ST

Disponível em: <https://www.oculus.de/br/produtos/tonometros/corvis-st/funcoes/>.Acesso em: 01 fev. 2022

2.2

Trabalhos Relacionados

Nesta seção será apresentado um levantamento do estado da arte em relação ao análise
das imagens de Scheimpflug da córnea e os métodos que identificam as camadas da córnea.
A Figura 8 mostra um exemplo do resultado obtido utilizando a técnica de Scheimpflug
com as imagens exportadas do Corvis ST no primeiro momento estático. A literatura das imagens
de Scheimpflug da córnea contém alguns desafios e métodos para a realização do processamento
das imagens como a identificação do contorno da córnea e técnicas de remoção do movimento do
olho. Essa divisão facilita a explicação e o entendimento. Ambos os itens contém várias etapas.
As técnicas de remoção do movimento do olho não serão explicadas as etapas. Isso se deve,
porque o processamento das imagens que realizamos é feito em cima da córnea no primeiro
momento estático onde não captura da córnea em movimentação.
Para a identificação do contorno da córnea, alguns trabalhos propõe filtros, métodos
Figura 8 – Exemplo de imagens de Scheimpflug da córnea gerados pelo Corvis ST

Fonte: Elaborado pelo autor.

16
de detecção de borda, operações morfológicas e a definição do que é a córnea na imagem.
Diversos trabalhos serão apresentados a seguir e se observa que o principal foco dos trabalhos é
extrair informações da biomecânica da córnea. Mas para essa extração é necessário tratamentos
para a identificação do contorno e remoção do movimento do olho. Iremos focar no ponto da
identificação do contorno em cada trabalho.
No trabalho de (KOPROWSKI, 2014) são propostos vários passos para geração de novos
parâmetros baseado nas imagens do Corvis. Ele utiliza 13.400 imagens, neste trabalho primeiro
é feito a aquisição das imagens, em segundo o pré-processamento das imagens: com a aplicação
de filtro, a definição de um método de detecção de borda, operação morfológica e a definição
da curvatura superior da córnea nas imagens, em terceiro acontece o processamento onde é
feito a remoção do movimento e a definição dos novos parâmetros que é baseada na análise
da frequência com transformada de Fourier. Este trabalho utiliza, dois métodos de detecção de
borda: Otsu e Canny, comparando-os para definição de qual é a melhor forma de identificação da
curvatura superior da córnea nas imagens. O método Canny demonstra o contorno correto em
90% das imagens analisadas, sendo escolhido como melhor método de detecção neste artigo.
Outro trabalho é realizado pelo mesmo autor e ano (KOPROWSKI; KASPRZAK; WRÓBEL, 2014) neste trabalho são propostas algumas mudanças. O objetivo do trabalho é corrigir os
erros de estabilização da córnea que é provocado pela pressão do jato de ar durante a tonometria
do Corvis ST. O contorno corneal também é definido, baseado na imagem. No trabalho um filtro
de mediana de tamanho 3 x 3 pixels é aplicado. O método de detecção de borda utilizado nesse
artigo é o método Otsu. A definição do contorno também é realizada pela posição das bordas. A
identificação do contorno da córnea nesse trabalho identifica tanto a curvatura superior como
a inferior nas imagens, mas o autor apenas considera a curvatura superior. Ele justifica isso
devido a erros relacionado à leitura precisa da borda inferior da córnea e fundamenta isso com os
trabalho de (REZNICEK et al., 2013) e (VALBON et al., 2013).Este artigo também gera novos
parâmetros baseado nessas mudanças.
Outros quatro trabalhos do mesmo primeiro autor são publicados (KOPROWSKI, 2014;
KOPROWSKI et al., 2015; KOPROWSKI; AMBRÓSIO; REISDORF, 2015; KOPROWSKI,
2015). Em todos estes trabalhos é proposto a mesma definição da curvatura ao primeiro trabalho
citado do autor (KOPROWSKI, 2014), utilizando o mesmo tipo e tamanho de filtro, mesma forma
de detecção de borda e baseando-se que a curvatura é definida com os primeiros pontos de cada
coluna. Os trabalhos de Koprowski (2014), Koprowski et al. (2015) e Koprowski (2015) propõe
a geração de novos parâmetros para o Corvis o trabalho Koprowski, Ambrósio e Reisdorf (2015)
foca em analisar o movimento do olho nas imagens. Analisando esses trabalhos nota-se que o
pré-processamento são realizados as etapas de geração do contorno corneal e no processamento
é realizado a geração dos novos parâmetros.
No artigo de Li et al. (2015) é proposto uma mensuração da espessura corneal central de
forma dinâmica realizando um tratamento de distorções nas imagens. Esse trabalho aborda a

17
espessura corneal nas imagens do Corvis e foi o primeiro trabalho que aborda a espessura corneal
em foco. Os artigos de Ji et al. (2015) e Kasprzak e Boszczyk (2016) trazem uma proposta novas
com método próprios de definição da curvatura. Em ambos artigos é comentado sobre os desafios
da detecção de borda e sobre a remoção de objetos que são menores que a córnea.
O artigo de Koprowski e Wilczyński (2018) afirma que o melhor método de definição do
contorno é apresentado em Koprowski, Kasprzak e Wróbel (2014), onde a detecção de bordas
usada é Otsu e filtro de mediana 3x3.
No trabalho de Leão et al. (2019) propõe baseado e adaptado na metodologia utilizada
por Koprowski (2014), Koprowski e Ambrósio (2015) a análise da amplitude da deformação
da córnea para a detecção do ceratocone. O pré-processamento proposto nesse artigo começa
inicialmente removendo a logo das imagens, aplicando um filtro de mediana com uma mascara
3 x 3 x 3, detecção de bordas Canny com o threshold automático e filtro gaussiano 2. Esse
pré-processamento realizado conseguiu detectar curvaturas além da superior e inferior, apesar de
não ter sido o foco do estudo, foi de grande importância essa descoberta porque a partir dela
foi possível se aprofundar na detecção de possíveis camadas da córnea como o epitélio que é a
primeira camada da córnea.
Esta seção apresenta uma revisão de literatura para demonstrar conhecimentos essenciais
sobre os métodos de análise da córnea existentes, análise das imagens de Scheimpflug da córnea
e o princípio de Scheimpflug e sobre os trabalhos relacionados que utilizam técnicas de detecção
de bordas para detectar e definir a córnea nas imagens de Scheimpflug e o presente trabalho usou
como norte essas técnicas e metodologias para a detecção epitelial.

18

3 MATERIAIS E MÉTODOS

Este capítulo apresenta a base de dados utilizada, sua origem, função e as características
da imagem e o método proposto para a detecção automática da camada epitelial da córnea,
avaliação e analise do epitélio.
3.1

Base de dados

Uma base de dados privada com 279 imagens da córnea normal obtidas do Corvis ST.
As imagens contém 200 × 576 pixeis em escalas de tons de cinza e a logo do equipamento. A
partir dessa base foi criada uma base de dados secundária, utilizou-se 29 imagens aleatórias da
córnea para geração dessa base. Segue nome definido e detalhamento quantitativo de cada base:
1. Base primária: 279 imagens da córnea normal, de 31 pacientes.
2. Base secundária: amostra aleatória de cerca de 10% da base primária
A origem do banco de dados é do Instituto de Olhos Renato Ambrósio. Os exames
foram realizados pelos pacientes que estão registrados no Instituto de Olhos Renato Ambrósio
seguindo os princípios da Declaração de Helsinque. Todos os pacientes foram submetidos a
uma examinação ocular completa, incluindo histórico de saúde oftalmológica. Os critérios de
exclusão que serão utilizados são a presença de qualquer doença na córnea, histórico de cirurgia
ou trauma ocular, uso de lentes de contato, gravidez, outras condições oculares diferentes do erro
de refração. A base de dados foi submetida e aprovada pelo comitê de ética através do sistema
CEP/CONEP por meio da Plataforma Brasil.
3.1.1

Função de cada base de dados

A base primária é a base principal ela é utilizada na fase de após a Pré-seleção visual
dos parâmetros e métodos de detecção de bordas na subseção 3.4.2 com os métodos de detecção
de bordas que passaram nesta etapa. A base secundária é utilizada para validação na fase de
Pré-seleção visual dos parâmetros e métodos de detecção de bordas, subseção 3.4.1.
3.2

Metodologia

A intenção nessa fase é seguir uma sequência de passos que vai desde a captura da
imagem até a avaliação e análise do epitélio, sendo estes enumerados a seguir e detalhados nas
próximas seções.
1. Aquisição da imagem

19
2. Identificação do epitélio
3. Isolamento das curvaturas de interesse
4. Avaliação e analise do epitélio
Como foi mostrado anteriormente na seção 2.2 os principais trabalhos utilizam técnicas
de detecção de bordas como passo para identificar corretamente a curvaturas corneais.
Para identificar o epitélio com as imagens capturadas da câmera Scheimpflug, é necessário importar as imagens fornecidas pelos equipamentos, aplicar métodos de detecção de bordas
que identificam os limiares que correspondem ao epitélio, remover a logo e ruídos menores que
não fazem parte do epitélio, realizar o isolamento das curvaturas da córnea e avaliar as imagens
para prosseguir com a análise do epitélio.
3.3

Aquisição da imagem

Após a captura feita pelo equipamento a imagem é exportada em um formato .JPEG essa
imagem possui 200 × 576 pixeis em escalas de tons de cinza, representa 8mm horizontais da
córnea. A Figura 9 mostra o exemplo de uma imagem da córnea retirada do Corvis ST através da
câmera Scheimpflug e nela conseguimos ver a córnea em escalas de tons de cinza. Após essa
etapa passamos para identificação do epitélio.

Figura 9 – Exemplo de uma imagem da córnea capturada e exportada pelo Corvis ST

Fonte: Elaborado pelo autor.

20
3.4

Identificação das curvaturas que correspondem ao epitélio

A identificação do epitélio é uma das partes principais do trabalho, nesta etapa é necessário segmentar as imagens importadas para identificar os limiares que correspondem ao
epitélio.
Ao nosso conhecimento não existe uma solução consolidada para a segmentação do
epitélio em imagens de Scheimpflug e esta precisou ser desenvolvida. Devido a isso, optamos
por uma abordagem baseada em algoritmos de detecção de bordas pois estes são capazes de
determinar pontos onde a intensidade luminosa muda repentinamente tal como podemos perceber
na Figura 9. Com isso, podemos identificar uma correlação visual entre as camadas da córnea
e a imagem capturada pela câmera de Scheimpflug, tal como demonstrado na Figura 10, onde
podemos perceber uma correspondência da região de maior luminosidade da córnea com o
epitélio e a região de menor luminosidade com as demais camadas. Sendo esta a região de
interesse a ser segmentada.
Figura 10 – Comparação das curvaturas para a definição do epitélio

(a) Imagem da córnea capturada e exportada
pelo Corvis ST
Fonte: elaborado pelo autor

(b) Camadas da Córnea
Fonte: Rabinowitz (1998)

Os métodos de detecção de bordas escolhidos foram os métodos clássicos isso se justifica
por ser um trabalho inicial e de referência então começar por métodos já consolidados e utilizados
na resolução de outros problemas se torna fundamental. Com isso, o próximo passo é definir qual
algoritmo de detecção de bordas iremos utilizar, no entanto não é possível definir a priori qual
seria o algoritmo mais adequado para identificar o epitélio, deste modo, os métodos clássicos
comumente utilizados como Canny, Sobel, Prewitt, Zerocross, Log e Roberts (CANNY, 1986;
TOBERGTE; CURTIS, 2013; Lim, 1990) foram analisados individualmente para verificarmos
quais identificam os limiares referentes ao epitélio. Cada método possui parâmetros de ajustes
em detecções mais sensíveis que permitem adequar para diferentes tipos de imagens, porém
testar todas as possibilidades para cada método a fim de encontrar os limiares epiteliais é inviável
devido ao tempo computacional necessário.
Deste modo, foi realizado uma pré-seleção dos parâmetros a serem utilizados para cada
algoritmo baseado no conhecimento das características de cada método e na resposta visual
retornada após a aplicação do método que será detalhada a seguir.

21
3.4.1

Pré-seleção visual dos parâmetros e métodos de detecção de bordas

Nesta etapa, será apresentado a pré-seleção visual dos parâmetros e métodos de detecção
de bordas, isto é realizado aplicando os métodos de detecção de bordas com os ajustes permitidos
pelos algoritmos, para isto selecionamos aleatoriamente as imagens utilizando 10% das imagens
da base de dados e aplicamos os métodos com ajustes e os resultados são verificados imagem
por imagem.
Com isso, começamos aplicando Canny que possibilita variações, com Threshold e
filtro Gaussiano, com o Threshold variando de 0 a 0.03 e filtro Gaussiano variando de 0 a 3
é visualizado uma melhora na segmentação e os resultados com Canny que tiveram o melhor
resultado visual estão na tabela 1, com o Threshold acima de 0.03 as imagens começaram a
perder informações relevantes da córnea o mesmo ocorreu com o filtro Gaussiano acima de 3.
Após isso, iniciamos com Zerocross que possibilita variações com Threshold testamos
variações de 0 até 0.0009 as imagens só começaram a apresentar bons resultados a partir da 4
casa decimal, com 5 casas decimais as imagens perderam informações relevantes e com 3 casas
decimais ou menos a segmentação apresentou bastante ruído os métodos que tiveram o melhor
resultado visual estão na tabela 1.
Com Log, existe a possibilidade de ajustes com Threshold e filtro gaussiano, com
Threshold testamos variações de 0 até 0.009 e filtro gaussiano de 0 a 3, as imagens utilizando
Threshold com valores abaixo de 0.001 apresentaram bastante ruídos as com valores acima disso
apresentaram perda de informações relevantes o mesmo aconteceu com filtro gaussiano com
valores abaixo de 2 e acima de 2 o melhor resultado visual com Log foi Threshold 0.001 e filtro
gaussiano 2.
Com Prewitt, Roberts e Sobel existe a possibilidade de ajustes com Threshold e Direction,
tanto em conjunto quanto separado, com Threshold testamos variações de 0 a 0.0009 e Direction
se divide em horizontal com ângulo de 135°, vertical com ângulo de 45° e both as imagens
não apresentaram bons resultados mesmo realizando ajustes foram encontrados problemas com
o grande número de ruídos e perda de informações relevantes da córnea. Estes métodos não
obtiveram bons resultados visuais o que impossibilita a detecção de forma automática, devido a
isso nenhuma variação deles será utilizada na próxima etapa.
Métodos como Canny, Zerocross e Log com os parâmetros verificados tiveram bons
resultados visuais eles serão utilizados nas próximas etapas que foram feitas de forma automática.

22
Tabela 1 – Métodos e parâmetros com melhores resultados visuais

Variação 01
Variação 02
Variação 03
Variação 04
Variação 05
Variação 06
Variação 07
Variação 08
Variação 09
Variação 10
Variação 11
3.4.2

Métodos e parâmetros
Algoritmo Threshold Gaussian filter
Canny
0
2
Canny
0.01
0
Canny
0.01
2
Canny
0.01
1.6
Canny
0.01
3
Canny
0.02
0
Canny
0.02
2
Canny
0.02
3
Zerocross
0.0003
Zerocross
0.0009
Log
0.001
2

Remoção de objetos que não fazem parte do epitélio

Após a detecção de bordas tem-se um resultado parecido com o que está apresentado na
Figura 11 (a) com a presença de alguns objetos e ruídos indesejados. Para se eliminar os ruídos e
a logo, iremos aplicar um identificador de objetos de largura menor que 450 pixels obtendo o
resultado da Figura 11 (b). Foi escolhida a largura menor que 450 pixels porque a córnea tem em
torno de 576 pixels e larguras menores que 450 eliminam qualquer ruído ou objeto que não faz
referência a córnea.
Figura 11 – Comparação antes e depois da remoção de objetos

(a) Detecção de bordas com Canny antes da
(b) Detecção de bordas com Canny depois da
remoção
remoção
Fonte: elaborado pelo autor.
Até o momento, realizamos a pré-seleção visual manual para selecionar quais métodos
e ajustes seriam utilizados, aplicamos esses métodos e ajustes em todas as imagens da nossa
base de forma automática, junto com a remoção de objetos como logo e ruídos que prejudicam a
análise do epitélio e temos como resultado imagens que seguem a linha da Figura 12.

23
Figura 12 – Identificação do epitélio com o método de detecção de bordas Canny com Threshold:
0 e Gaussian filter: 2

Fonte: elaborado pelo autor.

3.5

Isolamento das curvaturas de interesse

Nesta etapa acontece o isolamento das curvaturas de interesse que no nosso trabalho são
as curvaturas referentes ao epitélio essa etapa também é realizada de forma automática.
Analisando a Figura 12 podemos ver que além do que é visualizado como o epitélio,
vemos a curvatura inferior da córnea também identificada, mas como ela não é utilizada neste
trabalho é necessário remover as curvaturas que não fazem parte do epitélio para sua posterior
análise.
Para isto fazemos uma ligação entre a primeira e segunda curvatura que correspondem
ao epitélio. Essa ligação é feita identificando se há um intervalo na coluna inicial entre a primeira
curvatura até a segunda curvatura como é mostrado na Figura 13 (a). Utilizando um identificador
de índices e valores de elementos diferentes de zero. Após a identificação do intervalo é feito o
preenchimento tornando a primeira e segunda curvatura em um objeto único como é mostrado
na Figura 13 (b).
Figura 13 – Ligação da coluna inicial no epitélio

(a) Identificação dos intervalos na coluna
inicial

(b) Preenchimento da coluna inicial

Fonte: elaborado pelo autor.

24
Figura 14 – Imagem com somente as curvaturas referentes ao epitélio utilizando Canny com
Threshold: 0 e Gaussian filter: 2

Fonte: elaborado pelo autor.

Com o preenchimento aplicado, utilizamos o conceito de componentes conectados
mantendo sempre o primeiro objeto identificado de cima para baixo e descartamos os demais
tendo como resultado a Figura 14.
3.5.1

Preenchimento morfológico do epitélio

Nesta etapa, temos a imagem com somente os limiares que representam o epitélio
que foram encontrados, para uma melhor análise e visualização utilizaremos o preenchimento
morfológico (MICHIELSEN; De Raedt, 2000). Esse preenchimento se deve porque utilizamos
métodos de detecção de bordas que identificam as curvaturas referentes às camadas do epitélio
mas o que está entre esse limiar também faz parte do epitélio. Para que o preenchimento
morfológico seja aplicado precisamos realizar a mesma ligação feita a coluna inicial na seção
3.5 na coluna final porque o preenchimento morfológico realiza uma reconstrução do espaço
vazio que contém nas imagens e com isso obtemos resultados como o apresentado na Figura 15.

Figura 15 – Preenchimento morfológico do epitélio utilizando Canny com Threshold: 0 e Gaussian filter: 2

Fonte: Elaborado pelo autor.

25
No decorrer do processo de Pré-seleção dos parâmetros e métodos de detecção de bordas
da seção 3.4.1, foi necessário aplicar ajustes de parâmetros nos métodos de detecção de bordas
clássicos, esses ajustes são aplicados devido ao grande número de ruídos gerados na tentativa de
detectar o epitélio utilizando a forma básica desses algoritmos. Com os ajustes dos parâmetros e
a remoção de objetos que não fazem parte do epitélio, conseguimos reduzir o número de ruídos,
porém existem ruídos que afetam diretamente as curvaturas epiteliais. Devido a isso, após o
processo de detecção automática do epitélio que consiste na remoção de objetos que não fazem
parte do epitélio removendo objetos como logo e ruídos, isolamento das curvaturas de interesse
e preenchimento morfológico do epitélio se tornou necessário realizar a etapa de avaliação do
epitélio para conseguimos identificar as imagens que contém esses problemas e analisar apenas
as imagens onde o processo ocorreu de forma semelhantes aos da Figura 15.
Realizar a detecção automática do epitélio com os métodos de detecção de bordas já
definidos e ajustados demonstra a facilidade de se aplicar em qualquer equipamento que utilize a
câmera Scheimpflug.
3.5.2

Avaliação e análise do epitélio

A avaliação do epitélio se deve principalmente a necessidade de remover as imagens
que contém nas curvaturas referentes ao epitélio que prejudicam o processo de segmentação
do epitélio. A análise é realizada para gerar informações que podem servir como base para
comparações com outros estudos.
Para a avaliação, foi realizado o cálculo da área em cada método de detecção de borda
em todas as imagens. Na Figura 16 e 17 temos os gráficos das variações referentes aos métodos
Canny, Log e Zerocross. Estes Gráficos possuem no eixo da abscissa as imagens da base de
dados e no eixo da ordenada o número de pixels de cada imagem correspondentes ao epitélio.
Analisando os gráficos vemos uma concentração maior na parte superior alguns métodos com
uma variação média de 5000 a 5500 pixels, 4500 a 4000 pixels, 4000 a 3500 pixels e 3500 a
3000 pixels. Essa concentração na parte superior contém as áreas das imagens onde o processo
automatizado ocorreu de forma correta como é visto no exemplo da Figura 15. Além disso,
também é identificado uma menor concentração na parte inferior com uma variação média de
2000 a 500 pixels e 1500 a 500 pixels. Essa concentração na parte inferior contém as áreas
das imagens que apresentaram ruídos que impediam processos realizados na segmentação do
epitélio, alguns desses casos são mostrados na Figura 18. Imagens com esse tipo de problema
que impede o seu preenchimento, são descartados na análise.

26

Figura 16 – Gráficos da área do epitélio após o preenchimento morfológico parte 1

(a) Gráfico da área do epitélio utilizando Canny, (b) Gráfico da área do epitélio utilizando Canny,
Treshhold: 0 e Gaussian filter: 2
Treshhold: 0.01 e Gaussian filter: 0

(c) Gráfico da área do epitélio utilizando Canny, (d) Gráfico da área do epitélio utilizando Canny,
Treshhold: 0.01 e Gaussian filter: 1.6
Treshhold: 0.01 e Gaussian filter: 2

(e) Gráfico da área do epitélio utilizando Canny, (f) Gráfico da área do epitélio utilizando Canny,
Treshhold: 0.01 e Gaussian filter: 3
Treshhold: 0.02 e Gaussian filter: 0
Fonte: Elaborado pelo autor.

27

Figura 17 – Gráficos da área do epitélio após o preenchimento morfológico parte 2

(a) Gráfico da área do epitélio utilizando Canny, (b) Gráfico da área do epitélio utilizando Canny,
Treshhold: 0.02 e Gaussian filter: 2
Treshhold: 0.02 e Gaussian filter: 3

(c) Gráfico da área do epitélio utilizando Zero cross e (d) Gráfico da área do epitélio utilizando Zero cross e
Treshhold: 0.0003
Treshhold: 0.0009

(e) Gráfico da área do epitélio utilizando Log, threshold:
0.001 Gaussian filter: 2
Fonte: Elaborado pelo autor.

28
Figura 18 – Imagens defeituosas

(a) Imagem com falta da parte inicial da segunda curva- (b) Imagem com falta da parte final da segunda curvatura
tura

(c) Imagem com falta de grande parte da segunda curvatura
Fonte: Elaborado pelo autor

A partir dos gráficos gerados nas Figuras 16 e 17 extraímos baseado na área o número
de imagens defeituosas em cada método na tabela 2. Analisando essa tabela, vemos que com
Zerocross com threshold 0.0003 temos o menor número de imagens defeituosas encontradas e
que com Log com threshold 0.001 e filtro gaussiano 2 apresentou o maior número de imagens
com problema.

Tabela 2 – Resultado do número de imagens defeituosas

Variação 01
Variação 02
Variação 04
Variação 03
Variação 05
Variação 06
Variação 07
Variação 08
Variação 11
Variação 09
Variação 10

baseado na área
Número de imagens defeituosas
84
131
111
84
74
131
83
74
159
50
141

29
A análise é feita baseado em todas as imagens válidas do epitélio gerada de forma
automatizada com 8mm e na medida central 3mm que é considerada a espessura corneana
central, comumente mensurada pelos equipamentos (MAIMONE; MAIMONE; ROSSI, 2007).
Além disso, é verificado a espessura em pixels com distância euclidiana, que é a distância entre
dois pontos leva em consideração apenas o que está entre os limiares, a espessura em pixels
e a área em cada método aplicado. A espessura é calculada baseado na média de pixels em
cada coluna das imagens. Os resultados das análises são mostrados nas tabelas 3 e 4. Com isso,
finalizamos a etapa de validação e análise que consistiu na validação para remoção das imagens
com problemas e na análise para extração de métricas iniciais do epitélio nas imagens da câmera
Scheimpflug.

30

4 RESULTADOS

Após a análise e validação das informações do epitélio, analisamos os resultados na
tabela 3, na medida total as menores médias encontradas em ambas espessuras foram com os
métodos log e zerocross com suas variações, que tiveram 79.74 µm, 79.85 µm e 80.38 µm na
espessura normal e 65.91 µm, 66.08 µm e 67.25 µm na espessura pela distância euclidiana.
Porém zerocross teve o menor número de imagens defeituosas e log teve mais de 50% das
imagens da base com problemas.
Tabela 3 – Resultado da espessura do epitélio (µm)

Variação 01
Variação 02
Variação 04
Variação 03
Variação 05
Variação 06
Variação 07
Variação 08
Variação 11
Variação 09
Variação 10

Espessura
Medida Total
Medida Central
Média
DP
CV
Média
DP
CV
98,7309 1,8182 0,0184 92,7166 1,7680 0,0191
85,1964 2,0869 0,0245 79,9684 2,0317 0,0254
89,1323 1,9442 0,0218 83,7379 1,8583 0,0222
98,7309 1,8182 0,0184 92,7166 1,7680 0,0191
125,7262 1,8104 0,0144 118,0000 1,8112 0,0153
85,1934 2,0831 0,0245 79,9684 2,0317 0,0254
98,7497 1,8324 0,0186 92,7025 1,7745 0,0191
125,7262 1,8104 0,0144 118,0000 1,8112 0,0153
79,7416 1,8701 0,0235 75,5010 1,7266 0,0229
80,3863 2,1314 0,0265 75,7518 1,9018 0,0251
79,8541 1,9280 0,0241 75,5865 1,7562 0,0232

Espessura na distância euclidiana
Medida Total
Medida Central
Média
DP
CV
Média
DP
CV
84,8591 1,8331 0,0216
78,8277 1,7680 0,0224
71,3826 2,1770 0,0305
66,0795 2,0317 0,0307
75,2681 1,9638 0,0261
69,8490 1,8583 0,0266
84,8591 1,8331 0,0216
78,8277 1,7680 0,0224
111,8377 1,8108 0,0162 104,1111 1,8112 0,0174
71,3692 2,1519 0,0302
66,0795 2,0317 0,0307
84,8778 1,8470 0,0218
78,8136 1,7745 0,0225
111,8377 1,8108 0,0162 104,1111 1,8112 0,0174
65,9152 1,9688 0,0299
61,6121 1,7266 0,0280
67,2523 4,0495 0,0602
62,0451 3,3037 0,0532
66,0844 2,2302 0,0337
61,7009 1,7628 0,0286

CV - Coeficiente de variação; DP - Desvio Padrão;
Utilizando canny com suas variações na medida total obtivemos a maior média 125.72
µm e 125.72 µm na espessura normal e 111.83 µm e 111.83 µm na espessura com distância
euclidiana. Além disso na medida total as outras variações utilizando canny ficaram mais
próximas das menores médias encontradas.
Na medida central as menores média encontradas em ambas espessuras também foram
com os métodos log e zerocross com suas variações, que tiveram 75.50 µm, 75.58 µm e 75.75
µm na espessura normal e 61.61 µm, 61.70 µm e 62.04 µm na espessura pela distância euclidiana.
Utilizando canny com suas variações na medida central obtivemos a maior média 118.00 µm e
118.00 µm na espessura normal e 104.11 e 104.11 na espessura com distância euclidiana. Além
disso na medida central as outras variações utilizando canny ficaram mais próximas das menores
médias encontradas.
Analisando a tabela 4, vemos que a menor área na medida total foi encontrada com
os métodos log e zerocross com suas variações 45931.13 µm, 45995.97 µm e 46302.49 µm. A
maior área encontrada na medida total foi com uma variação de canny que teve 72418.29. Na
medida total as outras variações utilizando canny ficaram mais próximas das menores áreas
encontradas. A menor área na medida central foi com os métodos log e zerocross com suas
variações 16308.21 µm, 16326.69 µm e 16357.56 µm. A maior área encontrada na medida
central foi com uma variação de canny que teve 25488.00 µm. Além disso, na medida central as
outra variações utilizando canny ficaram mais próximas das menores áreas encontradas.

31
Tabela 4 – Resultado da área do epitélio (µm)
Área

Variação 01
Variação 02
Variação 04
Variação 03
Variação 05
Variação 06
Variação 07
Variação 08
Variação 11
Variação 09
Variação 10

Medida Total
Medida Central
Média
DP
CV
Média
DP
56869,0171 1047,2872 0,0184 20026,7806 381,8982
49073,1044 1202,0473 0,0245 17273,1794 438,8387
51340,1951 1119,8539 0,0218 18087,3843 401,3869
56869,0171 1047,2872 0,0184 20026,7806 381,8982
72418,2927 1042,7623 0,0144 25488,0081 391,2285
49071,4152 1199,8879 0,0245 17273,1794 438,8387
56879,8186 1055,4873 0,0186 20023,7387 383,2910
72418,2927 1042,7623 0,0144 25488,0081 391,2285
45931,1343 1077,1966 0,0235 16308,2176 372,9489
46302,4963 1227,7140 0,0265 16357,5624 407,4019
45995,9742 1110,5397 0,0241 16326,6908 379,3480
CV - Coeficiente de variação; DP - Desvio Padrão;

CV
0,0191
0,0254
0,0222
0,0191
0,0153
0,0254
0,0191
0,0153
0,0229
0,0249
0,0232

Com isso, vemos que os métodos Canny, Log e Zerocross contém variações que encontram o que supomos ser o epitélio, algumas dessas variações fazem isso de uma forma mais
sensível tendo menores resultados e gerando um menor número de imagens defeituosas como
exemplo temos Zerocross com Threshold de 0.0003 que apresentou o menor número de imagens
defeituosas.

32

5 DISCUSSÃO

Por meio da utilização dos métodos de detecção de bordas nas imagens da câmera
Scheimpflug, foi possível extrair informações sobre o epitélio. Tais resultados demonstram
variações nos métodos aplicados e mostram que algumas variações conseguem detectar o epitélio
em um número maior de imagens e descarta um número maior de ruídos.
Métodos como Zerocross além terem uma melhor detecção em um número maior de
imagens, conseguiram resultados menores quando comparados a algumas variações de Canny.
Isso pode sinalizar um método de detecção mais sensível e preciso do epitélio visto que em
trabalhos como os de Reinstein et al. (1994), Li et al. (2012), Wang et al. (2019) que medem a
espessura média do epitélio na medida central (3mm) temos uma variação de 52 a 58 µm e em
outros estudos (HASHMANI; HASHMANI; SAAD, 2018; PATEL et al., 2007; WANG; FONN;
SIMPSON, 2003; PÉREZ et al., 2003; DU et al., 2012; FENG; SIMPSON, 2008) que utilizam
instrumentos diferentes a média da espessura na medida central foi de 50 a 60 µm.
A média da espessura sem a distância euclidiana obteve algumas variações na medida
total e na medida central em torno de 70 a 80 µm, isso pode demonstrar que estamos extraindo
informações adicionais além do epitélio, como por exemplo a extração do epitélio em conjunto
com a camada de Bowman.

33

6 CONCLUSÃO

O estudo do epitélio tem grande relevância para detecção precoce de doenças como
o ceratocone. O presente trabalho mostra que com as imagens da câmera Scheimpflug, foi
possível extrair informações sobre o epitélio utilizando os métodos de detecção de bordas Canny,
Zerocross e Log, aplicando parâmetros de ajustes para a extração de melhores resultados.
Como este trabalho extrai o epitélio de imagens da câmera Scheimpflug através do Corvis
ST, as imagens são da córnea estática e horizontal onde é feito uma descoberta utilizando a
segmentação para identificação do epitélio, os resultados encontrados podem servir como base
para trabalhos futuros que envolvam dados do epitélio ou segmentação das camadas da córnea.
Com isso, percebemos que os métodos com as menores medidas extraem além do epitélio,
informações adicionais e que o método Zerocross com threshold 0.0003 além de ter os menores
resultados teve o menor número de imagens defeituosas se mostrando um método mais eficaz
para detecção e extração do epitélio em córneas normais.
Isso mostra que conseguimos coletar informações importantes das camadas da córnea e
que esse parâmetro pode agregar em qualquer equipamento que utilize a câmera Scheimpflug,
contribuindo com mais informações que auxiliam no diagnósticos de doenças. Essa pesquisa
abre oportunidades para que seja realizada uma pesquisa com uma base de dados com córneas
com ceratocone ou outras doenças.
6.1

Trabalhos Futuros

Este trabalho mostra que conseguimos coletar informações importantes das camadas
córnea e refinar a segmentação para uma boa extração de informações. Como sugestão de
trabalho a metodologia utilizada pode ser replicada para ser avaliada durante o processo de
deformação da córnea realizado pelo Corvis e novos parâmetros podem ser encontrados. Outra
sugestão como pesquisa futura uma extensão para córneas com ceratocone ou outras doenças.
Além disso, pode-se aplicar a avaliação da repetibilidade e reprodutibilidade dos algoritmos
apresentados neste trabalho.

34

REFERÊNCIAS

AMBRÓSIO, R.; BELIN, M. W. Imaging of the cornea: topography vs tomography. Journal of
Refractive Surgery, v. 26, n. 11, p. 847–849, 2010. ISSN 1081597X. Citado na página 9.
AMBRÓSIO, R. et al. Dynamic ultra high speed Scheimpflug imaging for Assessing Corneal
Biomechanical Properties. v. 72, n. 2, p. 99–102, 2013. ISSN 00347280. Citado 2 vezes nas
páginas 9 e 14.
CANNY, J. A Computational Approach to Edge Detection. n. 6, 1986. Citado na página 20.
CARNEIRO-FREITAS, R. et al. Advanced Corneal Imaging for Ectasia Diagnosis. ARC Journal
of Ophthalmology, v. 2, n. 1, p. 1–6, 2017. Disponível em: <https://www.researchgate.net/profile/
Renato_Jr/publication/318851744_Advanced_Corneal_Imaging_for_Ectasia_Diagnosis/links/
59818d914585150575c008a4/Advanced-Corneal-Imaging-for-Ectasia-Diagnosis.pdf>. Citado
na página 12.
DELMONTE, D. W.; KIM, T. Anatomy and physiology of the cornea. Journal of Cataract
and Refractive Surgery, ASCRS and ESCRS, v. 37, n. 3, p. 588–598, 2011. ISSN 08863350.
Disponível em: <http://dx.doi.org/10.1016/j.jcrs.2010.12.037>. Citado na página 7.
DU, C. et al. Vertical and horizontal corneal epithelial thickness profiles determined by ultrahigh
resolution optical coherence tomography. Cornea, v. 31, n. 9, p. 1036–1043, 2012. ISSN
02773740. Citado na página 32.
FARIA-CORREIA, F.; AMBRÓSIO, R. Clinical applications of the Scheimpflug principle
in Ophthalmology. Revista Brasileira de Oftalmologia, v. 75, n. 2, p. 160–165, 2016. ISSN
19828551. Citado 3 vezes nas páginas 12, 13 e 14.
FATT, I. Physiology of the Eye: an Introduction to the Vegetative Functions. Butterworths.
p. 335, 1978. Citado na página 8.
FENG, Y.; SIMPSON, T. L. Corneal, Limbal, and Conjunctival Epithelial Thickness from Optical
Coherence Tomography. Optometry and Vision Science, v. 85, n. 9, p. E880–E883, sep 2008.
ISSN 1040-5488. Disponível em: <http://www.ijo.in/text.asp?2017/65/11/1120/218038https:
//journals.lww.com/00006324-200809000-00020>. Citado na página 32.
FRANCO, J.; WHITE, C. A.; KRUH, J. N. Analysis of Compensatory Corneal Epithelial
Thickness Changes in Keratoconus Using Corneal Tomography. Cornea, v. 39, n. 3, p. 298–302,
2020. ISSN 15364798. Citado na página 12.
HASHMANI, N.; HASHMANI, S.; SAAD, C. M. Wide Corneal Epithelial Mapping Using an
Optical Coherence Tomography. Investigative ophthalmology visual science, v. 59, n. 3, p.
1652–1658, 2018. ISSN 15525783. Citado na página 32.
JACINTHA, V. et al. A Review on Various Techniques to Overcome Constraints during Image
Acquisition. Proceedings of the 2018 IEEE International Conference on Communication and
Signal Processing, ICCSP 2018, IEEE, p. 438–442, 2018. Citado na página 10.
JI, C. et al. Dynamic curvature topography for evaluating the anterior corneal surface change
with corvis st. BioMedical Engineering Online, BioMed Central Ltd., v. 14, 6 2015. ISSN
1475925X. Citado na página 17.

35
KASPRZAK, H.; BOSZCZYK, A. Numerical analysis of corneal curvature dynamics based on
corvis tonometer images. Journal of Biophotonics, Wiley-VCH Verlag, v. 9, p. 436–444, 5 2016.
ISSN 18640648. Citado na página 17.
KOPROWSKI, R. Quantitative assessment of the impact of biomedical image acquisition on the
results obtained from image analysis and processing. BioMedical Engineering OnLine, 2014.
Disponível em: <http://www.biomedical-engineering-online.com/content/13/1/93>. Citado 3
vezes nas páginas 10, 16 e 17.
KOPROWSKI, R. Open source software for the analysis of corneal deformation parameters
on the images from the Corvis tonometer. BioMedical Engineering OnLine, 2015.
Disponível em: <http://download-springer-com.ez147.periodicos.capes.gov.br/static/pdf/
563/art%253A10.1186%252Fs12938-015-0027-3.pdf?originUrl=http%253A%252F%
252Fbiomedical-engineering-online.biomedcentral.com%252Farticle%252F10.1186%
252Fs12938-015-0027-3&token2=exp=14910>. Citado na página 16.
KOPROWSKI, R.; AMBRÓSIO, R.; REISDORF, S. Scheimpflug camera in the quantitative
assessment of reproducibility of high-speed corneal deformation during intraocular pressure
measurement. Journal of Biophotonics, v. 8, n. 11-12, p. 968–978, nov 2015. ISSN 1864063X.
Disponível em: <http://doi.wiley.com/10.1002/jbio.201400137>. Citado na página 16.
KOPROWSKI, R.; AMBRóSIO, R. Quantitative assessment of corneal vibrations during
intraocular pressure measurement with the air-puff method in patients with keratoconus.
Computers in Biology and Medicine, Elsevier Ltd, v. 66, p. 170–178, 11 2015. ISSN 18790534.
Citado na página 17.
KOPROWSKI, R.; KASPRZAK, H.; WRÓBEL, Z. New automatic method for analysis and
correction of image data from the Corvis tonometer. Computer Methods in Biomechanics and
Biomedical Engineering: Imaging Visualization, v. 5, n. 1, p. 27–35, jan 2014. Disponível em:
<https://www.tandfonline.com/doi/full/10.1080/21681163.2014.959137>. Citado 2 vezes nas
páginas 16 e 17.
KOPROWSKI, R. et al. Quantitative assessment of responses of the eyeball based on data from
the Corvis tonometer. Computers in Biology and Medicine, v. 58, p. 91–100, mar 2015. ISSN
00104825. Disponível em: <http://linkinghub.elsevier.com/retrieve/pii/S0010482515000232>.
Citado na página 16.
KOPROWSKI, R.; WILCZYńSKI, S. Corneal Vibrations during Intraocular Pressure
Measurement with an Air-Puff Method. [S.l.]: Hindawi Limited, 2018. Citado na página 17.
LEÃO, E. et al. Corneal deformation amplitude analysis for keratoconus detection through
compensation for intraocular pressure and integration with horizontal thickness profile.
Computers in Biology and Medicine, p. 1–24, 2019. Citado na página 17.
LEIBOWITZ, H. Keratoconus in corneal disorders. Philadelphia: WB Saunders, p. 22–100,
1984. Citado 2 vezes nas páginas 8 e 10.
LI, T. et al. Correction on the distortion of Scheimpflug imaging for dynamic central corneal
thickness. Journal of Biomedical Optics, v. 20, n. 5, p. 056006, 2015. ISSN 1083-3668.
Disponível em: <http://biomedicaloptics.spiedigitallibrary.org/article.aspx?doi=10.1117/1.JBO.
20.5.056006>. Citado na página 16.

36
LI, Y. et al. Corneal epithelial thickness mapping by fourier-domain optical coherence
tomography in normal and keratoconic eyes. Ophthalmology, v. 119, n. 12, p. 2425–2433, 2012.
ISSN 01616420. Citado na página 32.
Lim, J. S. Two-dimensional signal and image processing. [S.l.: s.n.], 1990. 478–488 p. Citado
na página 20.
MAIMONE, A. L.; MAIMONE, N.; ROSSI, R. M. Comparação entre as medidas da
espessura central corneana usando a paquimetria óptica e a ultra-sônica. Revista Brasileira de
Oftalmologia, v. 66, n. 5, p. 309–314, 2007. ISSN 00347280. Citado na página 29.
MANDELL, R. B.; POLSE, K. A. Keratoconus: Spatial Variation of Corneal Thickness as a
Diagnostic Test. Archives of Ophthalmology, v. 82, n. 2, p. 182–188, 1969. ISSN 15383601.
Citado na página 9.
MAURICE, D. M.; GIARDINI, A. A. A simple optical apparatus for measuring the corneal
thickness, and the average thickness of the human cornea. The British journal of ophthalmology,
v. 35, n. 3, p. 169–177, 1951. ISSN 00071161. Citado na página 9.
MICHIELSEN, K.; De Raedt, H. Morphological image analysis. [S.l.]: Springer, 2000. v. 132.
94–103 p. ISSN 00104655. ISBN 9783642076961. Citado na página 24.
MUTTI, D. O. Optics of the Human Eye. Optometry and Vision Science, v. 78, n. 12, p. 862,
2001. ISSN 1040-5488. Citado na página 7.
NAUMANN; APPLE, G. O. H. D. J. Pathology of the Eye. [S.l.: s.n.], 1988. v. 12. 809 p. ISSN
0147-5185. ISBN 9781461385271. Citado na página 7.
PATEL, S.; ALIÓ, J. L.; PÉREZ-SANTONJA, J. J. Refractive index change in bovine and
human corneal stroma before and after LASIK: A study of untreated and re-treated corneas
implicating stromal hydration. Investigative Ophthalmology and Visual Science, v. 45, n. 10, p.
3523–3530, 2004. ISSN 01460404. Citado na página 8.
PATEL, S. et al. Confocal microscopy changes in epithelial and stromal thickness up to 7 years
after lasik and photorefractive keratectomy for myopia. Journal of refractive surgery (Thorofare,
N.J. : 1995), v. 23, p. 385–92, 04 2007. Citado na página 32.
PÉREZ, J. G. et al. Corneal epithelial thinning profile induced by long-term wear of hydrogel
lenses. Cornea, v. 22, n. 4, p. 304–307, 2003. ISSN 02773740. Citado na página 32.
POMFRETT, C. J. Special senses. First edition. Elsevier Inc., 2017. v. 18. 202–204 p. ISSN
18787584. Disponível em: <http://dx.doi.org/10.1016/B978-0-12-381361-9.00021-4>. Citado
na página 7.
RABINOWITZ, Y. Keratoconus. Survey of Ophthalmology, v. 42, n. 4, p. 297–319,
jan 1998. ISSN 00396257. Disponível em: <http://linkinghub.elsevier.com/retrieve/pii/
S0039625797001197>. Citado 2 vezes nas páginas 8 e 20.
RABINOWITZ, Y. S.; MCDONNELL, P. J. Computer-assisted corneal topography in
keratoconus. Journal of Refractive Surgery, v. 5, n. 6, p. 400–408, 1989. Citado na página 12.
REINSTEIN, D. Z. et al. Epithelial and Corneal Thickness Measurements by Highfrequency Ultrasound Digital Signal Processing. Ophthalmology, American Academy
of Ophthalmology, Inc, v. 101, n. 1, p. 140–146, 1994. ISSN 01616420. Disponível em:
<http://dx.doi.org/10.1016/S0161-6420(94)31373-X>. Citado na página 32.

37
REZNICEK, L. et al. Evaluation of a novel Scheimpflug-based non-contact tonometer in healthy
subjects and patients with ocular hypertension and glaucoma. British Journal of Ophthalmology,
v. 97, n. 11, p. 1410–1414, 2013. ISSN 00071161. Citado na página 16.
ROBERTS, C.; LIU, J. Corneal Biomechanics: From Theory to Practice. Kugler Publications,
2017. ISBN 9789062998760. Disponível em: <https://books.google.com.br/books?id=
hfXcDgAAQBAJ>. Citado na página 12.
ROBERTS, C. J.; DUPPS, W. J. Biomechanics of corneal ectasia and biomechanical treatments.
Journal of Cataract and Refractive Surgery, v. 40, n. 6, p. 991–998, 2014. ISSN 18734502.
Citado na página 8.
TOBERGTE, D. R.; CURTIS, S. Algorithms for image prcessing and computer vision. [S.l.:
s.n.], 2013. v. 53. 23–29 p. ISSN 1098-6596. ISBN 9788578110796. Citado na página 20.
TSUBOTA, K. et al. Corneal Epithelium in Keratoconus. 1995. 77–83 p. Citado na página 8.
VALBON, B. F. et al. Effects of age on corneal deformation by non-contact tonometry integrated
with an ultra-high-speed (UHS) scheimpflug camera. Arquivos Brasileiros de Oftalmologia,
v. 76, n. 4, p. 229–232, 2013. ISSN 00042749. Citado na página 16.
WANG, J.; FONN, D.; SIMPSON, T. L. Topographical thickness of the epithelium and
total cornea after hydrogel and PMMA contact lens wear with eye closure. Investigative
Ophthalmology and Visual Science, v. 44, n. 3, p. 1070–1074, 2003. ISSN 01460404. Citado na
página 32.
WANG, Q. et al. Comparison of Corneal Epithelial and Stromal Thickness between Keratoconic
and Normal Eyes in an Asian Population. Ophthalmic Research, v. 62, n. 3, p. 134–140, 2019.
ISSN 14230259. Citado na página 32.
WEGENER, A.; LASER-JUNGA, H. Photography of the anterior eye segment according
to Scheimpflug’s principle: Options and limitations - A review. Clinical and Experimental
Ophthalmology, v. 37, n. 1, p. 144–154, 2009. ISSN 14426404. Citado 2 vezes nas páginas 12
e 13.
WILSON, S. E.; AMBROSIO, R. Computerized corneal topography and its importance to
wavefront technology. Cornea, v. 20, n. 5, p. 441–454, 2001. ISSN 02773740. Citado na página
12.