Auxílio ao diagnóstico da retinopatia diabética por segmentação semântica utilizando rede neural U-NET em imagens de retina

• Ano de defesa: 2022
• Autor(a) principal: Bernardo, Alexandre Moretti
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: aprendizado profundo; aprendizado supervisionado; convolutional neural network U-Net; deep learning; detection of microaneurysms; diabetic retinopathy; haemorrhages and exudates in the retina; hemorragias e exsudatos na retina; processamento de imagens de retina; processing of retinal images; rede neural U-Net; retinopatia diabética; segmentação de microaneurismas; supervised learning
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/18/18152/tde-17012024-153112/

O diabetes mellitus é uma doença caracterizada pela disfunção na produção ou ação da insulina no organismo. Esta disfunção pode ser causada por diversos fatores, incluindo fatores genéticos, ambientais, nutricionais, podendo estes serem agravados pelo sedentarismo. Esta doença pode ocasionar complicações microvasculares na retina, caracterizando a retinopatia diabética. Esta, por sua vez, é a principal causa de cegueira evitável em pessoas com idade ativa no mundo. Aproximadamente uma em cada três pessoas portadoras do diabetes mellitus tem algum grau de retinopatia diabética e estima-se que até 2045 haja um crescimento de 46% nos casos dessa doença. Dessa forma, agilizar, facilitar e padronizar o diagnóstico desta condição é de grande importância para reduzir estes altos índices e projeções. O uso de processamento de imagens médicas tem auxiliado o diagnóstico de diversas anomalias difíceis de serem detectadas sem tratamento computacional. Este trabalho, portanto, propõe a aplicação de processamento de imagens de retina para a segmentação automática de regiões de interesse como, exsudatos duros, exsudatos moles, microaneurismas e hemorragias. Foi proposta a avaliação das regiões de interesse isoladamente em seus canais de cores RGB e suas combinações, bem como a combinação das diferentes estruturas de retinopatia diabética em uma mesma imagem. Cada imagem, com seu respectivo ground truth, foi dividida em subimagens, as quais foram utilizadas como entradas da rede neural U-Net proposta. O melhor método combinado obteve acurácia, sensibilidade, precisão e especificidade de 97,51%, 37,49%, 58,86% e 99,24% respectivamente, para todas as regiões de interesse somadas na mesma imagem e utilizando os canais RGB. Dessa maneira, o método proposto não apresentou o melhor resultado da literatura, porém, apresentou, comparativamente, uma análise individual e associada das regiões de interesse da retinopatia diabética. Pré-processar as imagens separando seus canais de cores permitiu avaliar especificamente, para a rede U-Net, a combinação que potencializa os resultados das estruturas características da retinopatia diabética, não havendo resultados comparativos presentes na literatura. Obter um método que permita segmentar todas as regiões de interesse combinadas é alvo de interesse por propiciar maior agilidade no processamento das imagens, neste caso, uma única rede neural será otimizada para esta tarefa.