Investigação da importância dos canais de cores em imagens de fundoscopia para auxílio na identificação do glaucoma via abordagens de aprendizado de máquina

• Ano de defesa: 2021
• Autor(a) principal: Jesus, Rosana Aurelio de
• Orientador(a): Simões, Sérgio Nery
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Serra
• Palavras-chave em Português: Redes neurais (Computação); Aprendizado do computador; Visão por computador; Processamento de imagens - Técnicas digitais; Glaucoma
• Link de acesso: https://repositorio.ifes.edu.br/handle/123456789/1876

RESUMO: O glaucoma é uma doença ocular crônica considerada pela Organização Mundial da Saúde (OMS) como a segunda maior causa de cegueira no mundo. Pesquisas realizadas estimam que 60,5 milhões de pessoas mundialmente já foram afetadas pela doença, e o número de pessoas com glaucoma no mundo chegará a 111,8 milhões em 2040. Além disso, aproximadamente 50% dos acometidos não sabem que são portadores da doença e, se soubessem com antecedência do problema, teriam mais chances de impedirem a perda da visão. Nos últimos anos houve um grande aumento do uso da Inteligência Artificial para auxiliar os profissionais de saúde a fazer uma triagem mais rápida das imagens de glaucoma, indicando precocemente os casos mais graves. Existem diversas técnicas de aprendizado de máquina tradicional e de aprendizado profundo que podem ser empregadas na detecção do glaucoma. Grande parte das imagens é colorida e o espaço de cores utilizado para representá-las pode influenciar o desempenho dos algoritmos. Entretanto, há poucos estudos que avaliam o impacto do espaço de cores na eficiência dos métodos. Neste trabalho, investigamos a importância dos canais de cores no desempenho das técnicas de (i) Aprendizado de Máquina Tradicional (para detecção de glaucoma) e (ii) Aprendizado Profundo (para segmentação do disco óptico e da escavação papilar), utilizando duas bases de dados públicas, Drishti-GS e RIM-ONE v3. Para avaliar a técnica (i) combinamos os canais dos espaços de cores (RGB, HSV e Lab), dois extratores de características (HOG e LBP) com três diferentes parâmetros em cada e cinco diferentes algoritmos de aprendizado de máquina. Já para avaliar a técnica (ii) utilizamos combinações dos canais dos espaços de cores (RGB, HSV e Lab), imagens em escala de cinza e a rede U-Net para a segmentação. Os experimentos da técnica (i) mostraram que, dos cinco classificadores utilizados, o classificador SVM, combinado com o canal RGB-G e extrator LBP, e também com a escala de cinza com o extrator HOG, alcançou acurácia de 90,20% para a base Drishti-GS; Já para a base RIM-ONE v3 o extrator HOG no canal Lab-L com o classificador SVM-RBF alcançou acurácia de 84,27%. Em relação aos experimentos da técnica (ii), para a base Drishti-GS, a segmentação da escavação papilar com o canal RGB-B obteve IoU de 0,78 e Dice de 0,88; e para a segmentação do disco óptico, obteve IoU de 0,93 e Dice de 0,97, para ambos os canais RGB-R e HSV-V. Para a base RIM-ONE v3, a segmentação da escavação papilar com o canal RGB-G obteve IoU de 0,69 e Dice de 0,82 (que foi o mesmo resultado do espaço Lab); e para a segmentação do disco óptico, o canal RGB-G obteve IoU de 0,89 e Dice de 0,94. Portanto, os resultados mostram que as informações contidas num único canal de um espaço de cores das imagens de fundo de olho podem, em alguns casos, ser suficientes para realizar o diagnóstico automático de glaucoma bem como a segmentação da escavação papilar e disco óptico, não sendo necessário utilizar todos os três canais para alcançar bons resultados.