Dry eye syndrome is one of the most frequently reported eye diseases in ophthalmological practice. The diagnosis of this disease is a challenging task due to its multifactorial etiology. One of the most applied tests is the manual classification of tear film images captured with the Doane interferometer. The interference phenomena in these images can be characterized as texture patterns, which can be automatically classified into one of the following categories: strong fringes, coalescing strong fringes, fine fringes, coalescing fine fringes, and debris. This work presents a method for classifying tear film images based on texture analysis using phylogenetic diversity indexes and Ripley's K function. The proposed method consists of six main steps: acquisition of the image dataset; segmentation of the region of interest; feature extraction using phylogenetic diversity indexes and Ripley's K function; feature selection using Greedy Stepwise; classification using the algorithms Support Vector Machine (SVM), Random Forest (RF), Naive Bayes (NB), Multilayer Perceptron (MLP), Random Tree (RT) and Radial Basis Function Network (RBFNet); and (6) validation of results. The best result, using the RF classifier, we obtained classification rates higher than 99% of accuracy with 0.843% of standard deviation, 0.999 of the area under the Receiver Operating Characteristics (ROC) curve, 0.995 of Kappa and 0.996 of F-Measure. The experimental results demonstrate that the proposed method is promising and can potentially be used by experts to accurately diagnose dry eye syndrome in tear film images.

中文翻译：

---

系统发育多样性指数和Ripley K函数在干涉眼图像中的泪膜分类

干眼综合征是眼科实践中最常报告的眼部疾病之一。由于其多因素病因，因此对该疾病的诊断是一项艰巨的任务。应用最广泛的测试之一是使用Doane干涉仪对泪膜图像进行手动分类。这些图像中的干扰现象可以表征为纹理图案，可以将其自动分类为以下类别之一：强条纹，聚结强条纹，细条纹，聚结细条纹和碎屑。这项工作提出了一种使用系统发育多样性指数和Ripley的K函数基于纹理分析对泪膜图像进行分类的方法。所提出的方法包括六个主要步骤：图像数据集的获取；感兴趣区域的分割；使用系统发育多样性指数和Ripley的K函数进行特征提取；使用贪婪逐步选择功能；使用支持向量机（SVM），随机森林（RF），朴素贝叶斯（NB），多层感知器（MLP），随机树（RT）和径向基函数网络（RBFNet）的算法进行分类；（6）结果验证。最好的结果是，使用RF分类器，我们获得的分类率高于准确度的99％，标准偏差为0.843％，接收器工作特性（ROC）曲线下面积为0.999，Kappa为0.995，F-Measure为0.996。实验结果表明，提出的方法是有前途的，并有可能被专家用来在泪膜图像中准确诊断干眼症。使用贪婪逐步选择功能；使用支持向量机（SVM），随机森林（RF），朴素贝叶斯（NB），多层感知器（MLP），随机树（RT）和径向基函数网络（RBFNet）的算法进行分类；（6）结果验证。最好的结果是，使用RF分类器，我们获得的分类率高于准确度的99％，标准偏差为0.843％，接收器工作特性（ROC）曲线下面积为0.999，Kappa为0.995，F-Measure为0.996。实验结果表明，提出的方法是有前途的，并有可能被专家用来在泪膜图像中准确诊断干眼症。使用贪婪逐步选择功能；使用支持向量机（SVM），随机森林（RF），朴素贝叶斯（NB），多层感知器（MLP），随机树（RT）和径向基函数网络（RBFNet）的算法进行分类；（6）结果验证。最好的结果是，使用RF分类器，我们获得的分类率高于准确度的99％，标准偏差为0.843％，接收器工作特性（ROC）曲线下面积为0.999，Kappa为0.995，F-Measure为0.996。实验结果表明，提出的方法是有前途的，并有可能被专家用来在泪膜图像中准确诊断干眼症。随机树（RT）和径向基函数网络（RBFNet）；（6）结果验证。最好的结果是，使用RF分类器，我们获得的分类率高于准确度的99％，标准偏差为0.843％，接收器工作特性（ROC）曲线下面积为0.999，Kappa为0.995，F-Measure为0.996。实验结果表明，提出的方法是有前途的，并有可能被专家用来在泪膜图像中准确诊断干眼症。随机树（RT）和径向基函数网络（RBFNet）；（6）结果验证。最好的结果是，使用RF分类器，我们获得的分类率高于准确度的99％，标准偏差为0.843％，接收器工作特性（ROC）曲线下面积为0.999，Kappa为0.995，F-Measure为0.996。实验结果表明，提出的方法是有前途的，并有可能被专家用来在泪膜图像中准确诊断干眼症。