Identificação do glaucoma em imagens do fundo do olho utilizando aprendizagem profunda
Abstract
O Glaucoma é uma doença que danifica o nervo óptico podendo causar perda de visão
ou cegueira total. Essa doença é a maior causadora de cegueira irreversível no mundo.
Estima-se que até 2020 a quantidade de pessoas com glaucoma poderá chegar em 76
milhões. Este trabalho compara a acurácia de diferentes arquiteturas de redes neurais que
utilizam o aprendizado profundo para o reconhecimento de imagens. Essas redes neurais
podem auxiliar os profissionais da área de saúde a realizarem o diagnóstico do glaucoma
de uma forma mais eficiente e precisa, uma vez que o processo é feito manualmente pelos
especialistas. Esse trabalho utiliza um sistema de detecção de objetos do estado da
arte com grande performance, chamado de YOLO9000, responsável por detectar o nervo
óptico, que é a região de interesse. Após a detecção dessa região é utilizado um classificador,
uma rede neural convolucional, para detectar a presença do glaucoma. Esse
trabalho analisa diferentes classificadores para verificar qual possui melhor acurácia para
a resolução desse problema. Foram utilizados bancos públicos de imagens do fundo do
olho para a validação desse processo. A rede neural convolucional chamada de DenseNet
foi a que obteve melhor acurácia média na detecção do glaucoma nos bancos de imagens
utilizados. Os resultados obtidos foram 100%, 85,8%, 94,4% nos bancos de imagem HRF,
RIM-ONE-R1-R2 e RIM-ONE-R3, respectivamente, utilizando a métrica da área da curva
de Característica de Operação do Receptor.
Collections
The following license files are associated with this item: