Identifica??o da ?rea representativa da retinopatia diab?tica com redes neurais convolucionais

• Ano de defesa: 2023
• Autor(a) principal: Ribeiro, Felipe Regis Gouveia
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Retinopatia diab?tica; Processamento de imagens; Arquitetura de redes convolucionais; Marca??o da ?rea patol?gica; 4. Redimensionamento de imagem
• Link de acesso: http://repositorio.ifpb.edu.br/jspui/handle/177683/3201

A retinopatia diab?tica ? uma das principais causas de cegueira e sua detec??o ? uma tarefa complexa que demanda tempo e experi?ncia do profissional, podendo divergir o progn?stico a depender dos examinadores que efetuem a avalia??o. Neste trabalho, objetivando auxiliar na gradua??o e marca??o da patologia, ? proposto um script em Python baseado em t?cnicas de redes neurais convolucionais (CNN), com preocupa??o em preservar as caracter?sticas geom?tricas das imagens, avaliando os resultados de forma objetiva e subjetiva. A tarefa de gradua??o se trata de uma avalia??o estritamente objetiva e se d? por meio das m?tricas de acur?cia, ?rea sob a curva, revoca??o e precis?o. Na an?lise subjetiva, ? realizada compara??o da sa?da gr?fica do c?digo com imagens dispon?veis em base de dados marcadas por quatro diferentes especialistas. Uma an?lise objetiva tamb?m ? proposta para a avalia??o das marca??es por meio da acur?cia e de nova m?trica aqui proposta. Para estas tarefas, s?o exploradas diferentes arquiteturas de CNN, como Densenet121, Resnet50 e Xception, buscando realizar a extra??o de caracter?sticas das imagens provenientes da fundoscopia. A etapa de classifica??o ? realizada por meio da inser??o das caracter?sticas vindas da CNN em uma rede densa de m?ltiplas camadas cognitivas (MLP), que ir? classificar a imagem em um dos cinco graus da doen?a, incluindo sua aus?ncia. T?cnicas de busca aleat?ria e otimiza??o da etapa MLP do modelo foram empregadas com intuito de melhorar os resultados, bem como a rede foi treinada com um ajuste fino, diminuindo as camadas ativas e alterando a taxa de aprendizagem. Suportando a generaliza??o do modelo de aprendizagem de m?quina, foram realizadas opera??es de aumento de dados, onde foram geradas imagens com espelhamento horizontal, altera??o da posi??o, proximidade da imagem, brilho e tamb?m da cor. Como resultados, foi obtida uma ?rea sob a curva, no melhor caso, de aproximadamente 91%, enquanto que a grafia da ?rea patol?gica se assemelha a marca??es realizadas por m?dicos oftalmologistas com uma acur?cia dos pixels superior a 83% para a imagem analisada, tamb?m no melhor caso.