Use este identificador para citar ou linkar para este item: http://hdl.handle.net/123456789/5586
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.authorFREITAS, Gabriel Phelipe Costa-
dc.date.accessioned2022-09-01T17:11:44Z-
dc.date.available2022-09-01T17:11:44Z-
dc.date.issued2022-08-04-
dc.identifier.urihttp://hdl.handle.net/123456789/5586-
dc.descriptionGlaucoma is a disease that promotes acquired loss of retinal cells and axons which results in a gradual damage to vision, being the second leading cause of permanent blindness in the world. According to the World Health Organization (WHO), approximately 285 million people are affected by the disease and about 60% to 80% of cases can be prevented and remedied. Several have been proposed Automated glaucoma diagnostic systems, however, to deal with the variety of retinographic images it’s a complex issue, which makes such methods unfeasible or little efficient for it’s application in imaging programs. The present work aims to develop a computational method to execute pre-processing techniques, such as Image segmentation and Data Augmentation, on fundus images of normal and pathological eyes, and apply the dataset into a Convolutional Neural Network, for automatically classification and results evaluation. The pre-processing techniques with Data Augmentation made in this research has been proofed to be a efficient when dealing with unbalanced bases, for greater performance in learning and decrease or overfitting when using the CNN model. We worked with 2488 images, with 2101 images classified as normal and 387 classified as glaucoma. The results obtained were promissory for both, normal and pathological classes. For the Recall, Precision and F1-Score data parameter that were considered "Normal", the hit rate was about 96%, with a variation of only 0.8%. Meanwhile for the affected by the disorder class, there was a positive rate of 95% on average, with standard deviation of 1.4%, 1.3% and 0.5%, respectively, for the aforementioned reference measures.pt_BR
dc.description.abstractGlaucoma 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.pt_BR
dc.publisherUFMApt_BR
dc.subjectGlaucoma;pt_BR
dc.subjectRede Neural;pt_BR
dc.subjectProcessamento de Imagenspt_BR
dc.subjectGlaucoma;pt_BR
dc.subjectNeural Network;pt_BR
dc.subjectImage Processingpt_BR
dc.titleDiagnóstico de Glaucoma via Deep Learningpt_BR
dc.title.alternativeDiagnosis of Glaucoma via Deep Learningpt_BR
dc.typeOtherpt_BR
Aparece nas coleções:TCCs de Graduação em Ciência da Computação do Campus do Bacanga

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Gabriel_Phelipe TCC.pdfTCC de Graduação9,8 MBAdobe PDFVisualizar/Abrir


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