Validação de redes generativas condicionadas para segmentação de escavação óptica em imagens de fundo de retina

• Ano de defesa: 2021
• Autor(a) principal: CARVALHO, Tales Henrique
• Orientador(a): SPADOTI, Danilo Henrique
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Itajubá
• Programa de Pós-Graduação: Programa de Pós-Graduação: Mestrado - Engenharia Elétrica
• Departamento: IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação
• País: Brasil
• Palavras-chave em Português: Aprendizado de Máquina; Glaucoma; Modelo generativo; Redes neurais; . Retinografia; Segmentação de imagens
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA
• Link de acesso: https://repositorio.unifei.edu.br/jspui/handle/123456789/3033

A avaliação de imagens de fundo de retina é uma tarefa importante na oftalmologia, sendo um dos principais indicadores de condições oculares adversas. Dentre elas, o glaucoma se destaca pela necessidade de um diagnóstico durante seus estágios iniciais, para que o tra tamento possa evitar sintomas graves na visão do paciente. Devido à escassez e ao alto custo de especialistas de retina, processos automáticos que identifiquem estruturas adver sas em imagens de retina podem beneficiar a obtenção de diagnósticos. Para o glaucoma, é importante identificar a dimensão da escavação do nervo óptico, já que uma relação entre a escavação óptica e o disco óptico acima de 0,5 é um forte indicador da condição. Um processo automático depende da segmentação automática do disco e escavação óptica nas imagens de retina, que provê as dimensões para o cálculo da relação. O presente trabalho propõe o uso de modelos de redes neurais generativas adversárias condicionadas para a tarefa de segmentação da retina, baseado na arquitetura Pix2Pix. Para validar o modelo, comparou-se o modelo generativo proposto com os modelos convolucionais U-Net e M Net, que representam os melhores resultados da literatura. Os resultados indicam que o modelo generativo é capaz de realizar a segmentação de retina com precisão comparável aos modelos do estado-da-arte, e é capaz de generalizar a tarefa com maior robustez.