Desenvolvimento de um sistema para detecção de ceratocone subclínico, utilizando mapas da superfície anterior da córnea e deep learning

• Ano de defesa: 2024
• Autor(a) principal: Oliveira, Lucas Orlandi de
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Anterior corneal surface maps; Ceratocone subclínico; Deep Learning; Deep learning; Detecção do ceratocone; Keratoconus detection; Mapas da superfície anterior da córnea; Subclinical keratoconus
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/76/76135/tde-01102024-082410/

O ceratocone é uma ectasia crônico-degenerativa que provoca instabilidade estrutural ou bio- mecânica na córnea, levando a alterações morfológicas que comprometem a visão e, em casos graves, podem causar perdas visuais incapacitantes. Embora não haja cura para o ceratocone, existem procedimentos que podem conter seu avanço. Dessa forma, a detecção precoce da doença é essencial para minimizar os danos visuais, porém, representa um desafio significativo que requer experiência clínica e equipamentos especializados, como topógrafos e tomógrafos de córnea. Diversos estudos na literatura exploram a detecção do ceratocone utilizando diferentes tipos de dados, incluindo índices numéricos e imagens das superfícies anterior e posterior da córnea. Este trabalho tem como objetivo distinção entre córneas normais e com ceratocone, além da classificação da ectasia em seus diferentes graus de acometimento (suspeito, subclínico, ceratocone, e ceratocone avançado), utilizando apenas o mapa de curvatura axial a superfície anterior da córnea, empregando técnicas de Deep Learning. Para a detecção do ceratocone, foram treinados dois modelos distintos de redes neurais convolucionais para classificação binária, utilizando como entrada imagens coloridas e em grayscale dos mapas da superfície anterior da córnea. Os resultados indicam que ambos os modelos são capazes de distinguir olhos normais de olhos com ceratocone com 99,5% de acurácia (sensibilidade de 99,6% e especificidade de 99,4% para imagens coloridas; e sensibilidade de 99,5% e especificidade de 99,5% para imagens grayscale). Além disso, para a classificação do ceratocone em seus diferentes estágios, foram treinados quatro modelos multiclasse, que apresentaram bom desempenho na tarefa empregada. Os resultados sugerem que a cor das imagens não influencia significativamente no desempenho dos modelos, ou seja, imagens em grayscale podem ser igualmente eficazes para essa tarefa, o podem simplificar o processo de coleta e processamento das imagens, tornando a tecnologia ainda mais acessível. A capacidade dos modelos em distinguir olhos normais dos acometidos pelo ceratocone com alta precisão reflete o potencial das técnicas de Deep Learning para serem incorporadas na prática clínica, oferecendo auxílio ao diagnóstico com precisão, podendo facilitar intervenções precoces e melhorar a qualidade de vida dos pacientes.