Diagnóstico de Glaucoma via Deep Learning

Abstract

Glaucoma é uma doença que promove perda adquirida de células da retina e axônios que resulta em uma lesão gradual da visão, sendo a segunda principal causa de cegueira permanente no mundo. Conforme a Organização Mundial da Saúde (OMS), aproximadamente 285 milhões de pessoas são afetadas pela doença, sendo que 60% à 80% dos casos podem ser prevenidos e remediados. Têm sido propostos diversos sistemas automatizados de diagnóstico de glaucoma, porém, é complexo com a variedade de imagens retinográficas, o que torna tais métodos inviáveis ou pouco eficazes para a aplicação em programas de imagens. O presente trabalho tem por objetivo desenvolver um método computacional para diagnóstico de glaucoma via redes neurais convolucionais. O método ainda faz uso de técnicas como segmentação e Data Augmentation. O emprego das técnicas de pré-processamento com Data Augmentation feitos nesta pesquisa, mostram-se eficazes para o uso em bases desbalanceadas, por permitir maior desempenho no aprendizado e diminuir o overfitting no emprego de CNNs. Trabalhou-se com 2488 imagens, sendo 2101 imagens classificadas como normais e 387 afetadas pelo glaucoma. Os resultados obtidos pelo método proposto atingiram, para os parâmetros de Sensibilidade, Precisão e F1-Score respectivamente, valores de 96%, com uma variação aproximada de 0,8% para a classe Normal e para o Glaucoma, 95% em média, com desvios de 1,4%, 1,3% e 0,5%, respectivamente, para as métricas citadas.