Use este identificador para citar ou linkar para este item: http://hdl.handle.net/123456789/3561
Título: Diagnóstico automático de glaucoma em retinografias baseado no CDR usando U-Net
Título(s) alternativo(s): Automatic diagnosis of glaucoma in CDR-based retinography using U-Net
Autor(es): PESSOA, Alexandre César Pinto
Palavras-chave: Glaucoma
Diagnóstico
Processamento de Imagens
Retinografias
CDR
U-Net
Glaucoma
Diagnosis
Image Processing
Retinography
CDR
U-Net
Data do documento: 18-Jan-2018
Editor: Universidade Federal do Maranhão
Resumo: O glaucoma é uma neuropatia óptica progressiva que causa danos irreversíveis ao nervo óptico, que levam a perda total da visão caso sua progressão não seja interrompida nos estágios iniciais. Um dos exames mais utilizados para o diagnóstico desta patologia é a Retinografia, que captura imagens das áreas do fundo do olho de um paciente, sendo utilizadas para efetuar o diagnóstico a partir de uma análise visual e interpretação. O principal objetivo deste trabalho é desenvolver um método para o diagnóstico automático de glaucoma em imagens de fundo de olho baseado no CDR, focando nas tarefas de segmentação das regiões do disco óptico e cavidade do disco óptico. Este método preprocessa as imagens de fundo de olho aplicando a técnica CLAHE para melhoramento de contraste, e então utilizando duas redes neurais convolucionais baseadas na arquitetura UNet para segmentar as regiões do disco óptico e cavidade do disco óptico, respectivamente. O diagnóstico automático é feito com o cálculo do CDR baseado nas segmentações geradas, e a partir de um limiar definido, classificar as imagens como saudáveis ou glaucomatosas. Os testes foram efetuados utilizando a base pública DRISHTI, e a etapa de segmentação obteve um Dice score de 94.5% e 86.5% para o disco e a cavidade, respectivamente. A etapa do cálculo do CDR obteve um erro médio de 13.7%, e o diagnóstico alcançou 53.0% de Acurácia, 50.4% de Sensibilidade e 74.2% de Especificidade. Após a apresentação dos resultados, é feita uma comparação dos resultados obtidos com alguns trabalhos relacionados presentes na literatura.
Descrição: Abstract Glaucoma is a progressive optic neuropathy that causes irreversible damage to the optic nerve, which can cause total loss of vision if its progression isn’t interrupted on it’s initial stages. One of the most used exams for the diagnosis of this pathology is the Retinography, which captures images from the patients eye fundus regions, which are utilized to make the diagnosis based on a visual analysis and interpretation. The main objective of this work is to develop a automatic glaucoma diagnosis method in eye fundus images based on the CDR, focusing on the tasks of segmenting the optic disc and optic cup regions. This method preprocesses the eye fundus images by applying the CLAHE technique for contrast enhancement and then, by utilizing two convolutional neural networks based on the U-Net architecture to segment the optic disc and optic cup regions, respectively. The automatic diagnosis is done by the computation of the CDR based on the generated segmentations, and from a defined threshold, classify the images as healthy or glaucomatous. The tests were performed using the DRISHTI public dataset, and the segmentation step obtained a Dice score of 94.5% and 86.5% for the segmentation of disc and cup, respectively. The CDR computation step reached a mean error of 13.7%, and the diagnosis reached a 53.0% of Accuracy, 50.4% of Sensitivity and 74.2% of Specificity. After the results are presented, it is made a comparison of the obtained results with some of the related works currently present in literature.
URI: http://hdl.handle.net/123456789/3561
Aparece nas coleções:TCCs de Graduação em Ciência da Computação do Campus do Bacanga

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
ALEXANDRE-PESSOA.pdfTrabalho de Conclusão de Curso2,61 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.