Identificação da retinopatia diabética por aprendizado de máquina

Detalhes bibliográficos
Ano de defesa: 2020
Autor(a) principal: Santos, Lidiane Ribeiro
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Estadual Paulista (Unesp)
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Link de acesso: http://hdl.handle.net/11449/202616
Resumo: Introdução: A retinopatia diabética (RD) é uma grave complicação do diabetes mellitus e uma das principais causas de cegueira irreversível no mundo. O exame fundoscópico e a retinografia, constituem o método diagnóstico padrão para identificação da doença. No entanto, este processo é demorado e depende da avaliação do especialista, o que limita a eficiência do tratamento. Os modelos de inteligência artificial para detecção automática de doenças pelo aprendizado de máquinas podem ser alternativas mais ágeis para a triagem de RD. Dentre elas estão o Optimum-Path Forest (OPF), que apresenta eficiência e baixo custo operacional e o Restricted Boltzmann Machine (RBM), que auxilia no reconhecimento de imagens e possibilita a diminuição da carga computacional. Objetivos: Determinar a acurácia, sensibilidade e especificidade dos modelos de aprendizado de máquina (OPF e RBM) na identificação da retinopatia diabética. Métodos: Estudo transversal com pacientes maiores de 18 anos e suspeita de RD, submetidos a exame oftalmológico e retinografia. As imagens da retina foram avaliadas por um especialista e classificadas pelos modelos OPH e RMB. As retinografias foram separadas em quatro classes (sem RD, RD leve, moderada/grave e proliferativa). Após a fase de treinamento do sistema para reconhecimento dos padrões de retinopatia e normalidade, os modelos RBM e OPF extraíram 500 e 1000 características das imagens para classificação da doença. Foram executadas 15 séries de experimentos com uma repetição de 30 ciclos por série. Resultados: Participaram do estudo 73 diabéticos (122 olhos), sendo 50,7% homens e 49,3% mulheres. A média de idade foi de 59,7 anos. O RMB 1000 teve o melhor desempenho em termos de precisão diagnóstica (89,47 ±2,64) na análise geral. O RMB 500 foi superior na detecção automática de sinais de RD nas retinografias (sensibilidade de 100%). Quanto à especificidade, tanto RBM 1000 quanto OPF 1000, identificaram corretamente 100% das imagens sem sinais de RD. Conclusão: Os modelos de detecção automática de doenças pelo aprendizado de máquinas testados, especialmente o RBM, apresentaram boa precisão diagnóstica, alta sensibilidade e potencial para serem utilizados na triagem da retinopatia diabética.
id UNSP_34cb809bdb0e14ab3a577d81c24d992e
oai_identifier_str oai:repositorio.unesp.br:11449/202616
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str
spelling Identificação da retinopatia diabética por aprendizado de máquinaIdentification of diabetic retinopathy by machine learningRetinopatia diabéticaReconhecimento de padrõesAprendizado de máquinaRedes neuraisDiabetic retinopathyPattern recognitionMachine learningNeural networksIntrodução: A retinopatia diabética (RD) é uma grave complicação do diabetes mellitus e uma das principais causas de cegueira irreversível no mundo. O exame fundoscópico e a retinografia, constituem o método diagnóstico padrão para identificação da doença. No entanto, este processo é demorado e depende da avaliação do especialista, o que limita a eficiência do tratamento. Os modelos de inteligência artificial para detecção automática de doenças pelo aprendizado de máquinas podem ser alternativas mais ágeis para a triagem de RD. Dentre elas estão o Optimum-Path Forest (OPF), que apresenta eficiência e baixo custo operacional e o Restricted Boltzmann Machine (RBM), que auxilia no reconhecimento de imagens e possibilita a diminuição da carga computacional. Objetivos: Determinar a acurácia, sensibilidade e especificidade dos modelos de aprendizado de máquina (OPF e RBM) na identificação da retinopatia diabética. Métodos: Estudo transversal com pacientes maiores de 18 anos e suspeita de RD, submetidos a exame oftalmológico e retinografia. As imagens da retina foram avaliadas por um especialista e classificadas pelos modelos OPH e RMB. As retinografias foram separadas em quatro classes (sem RD, RD leve, moderada/grave e proliferativa). Após a fase de treinamento do sistema para reconhecimento dos padrões de retinopatia e normalidade, os modelos RBM e OPF extraíram 500 e 1000 características das imagens para classificação da doença. Foram executadas 15 séries de experimentos com uma repetição de 30 ciclos por série. Resultados: Participaram do estudo 73 diabéticos (122 olhos), sendo 50,7% homens e 49,3% mulheres. A média de idade foi de 59,7 anos. O RMB 1000 teve o melhor desempenho em termos de precisão diagnóstica (89,47 ±2,64) na análise geral. O RMB 500 foi superior na detecção automática de sinais de RD nas retinografias (sensibilidade de 100%). Quanto à especificidade, tanto RBM 1000 quanto OPF 1000, identificaram corretamente 100% das imagens sem sinais de RD. Conclusão: Os modelos de detecção automática de doenças pelo aprendizado de máquinas testados, especialmente o RBM, apresentaram boa precisão diagnóstica, alta sensibilidade e potencial para serem utilizados na triagem da retinopatia diabética.Introduction: Diabetic retinopathy (DR) is a severe complication of diabetes mellitus and one of the leading causes of irreversible blindness in the world. Fundus examination and retinal images are the standard diagnostic method for identifying the disease. However, this process takes time and depends on the specialist's assessment, which limits the efficiency of the treatment. Artificial intelligence models for automatic detection of diseases through machine learning can be more agile alternatives for screening for DR. Among them are the Optimum-Path Forest (OPF), which presents efficiency and low operational cost, and the Restricted Boltzmann Machine (RBM), which helps in recognition of images and enables the reduction of the computational load. Objective: To determine the accuracy, sensitivity, and specificity of machine learning models (OPF and RBM) in the identification of diabetic retinopathy. Methods: We conducted a cross-sectional study with patients over 18 years of age, and suspected diabetic retinopathy, submitted to ophthalmologic examination and retinography. The fundus images were evaluated by a retina specialist and classified by models OPH and RMB. The retinal images were separated into four classes (without RD, mild RD, moderate/severe, and proliferative RD). After the system training phase to recognize the patterns of retinopathy and normality, the RBM and OPF models extracted 500 and 1000 characteristics from the images for disease classification. Fifteen series of experiments were performed with a repetition of 30 cycles per round. Results: 73 people with diabetes (122 eyes) participated in the study, 50.7% men, and 49.3% women. The average age was 59.7 years. The RMB 1000 performed best in terms of diagnostic accuracy (89.47 ± 2.64) in the overall analysis. The RMB 500 was superior in the automatic detection of signs of DR on retinal images (sensitivity of 100%). As for specificity, both RBM and OPF 1000 correctly identified 100% of the photos without signs of RD. Conclusion: The models of automatic disease detection by machine learning used in this study, especially RBM, showed good diagnostic accuracy, high sensitivity, and potential to be used in screening for diabetic retinopathy.Universidade Estadual Paulista (Unesp)Jorge, Eliane Chaves [UNESP]Universidade Estadual Paulista (Unesp)Santos, Lidiane Ribeiro2021-02-02T18:39:17Z2021-02-02T18:39:17Z2020-08-28info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/11449/20261633004064006P8porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2024-01-07T06:28:16Zoai:repositorio.unesp.br:11449/202616Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462024-08-05T22:21:29.502664Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false
dc.title.none.fl_str_mv Identificação da retinopatia diabética por aprendizado de máquina
Identification of diabetic retinopathy by machine learning
title Identificação da retinopatia diabética por aprendizado de máquina
spellingShingle Identificação da retinopatia diabética por aprendizado de máquina
Santos, Lidiane Ribeiro
Retinopatia diabética
Reconhecimento de padrões
Aprendizado de máquina
Redes neurais
Diabetic retinopathy
Pattern recognition
Machine learning
Neural networks
title_short Identificação da retinopatia diabética por aprendizado de máquina
title_full Identificação da retinopatia diabética por aprendizado de máquina
title_fullStr Identificação da retinopatia diabética por aprendizado de máquina
title_full_unstemmed Identificação da retinopatia diabética por aprendizado de máquina
title_sort Identificação da retinopatia diabética por aprendizado de máquina
author Santos, Lidiane Ribeiro
author_facet Santos, Lidiane Ribeiro
author_role author
dc.contributor.none.fl_str_mv Jorge, Eliane Chaves [UNESP]
Universidade Estadual Paulista (Unesp)
dc.contributor.author.fl_str_mv Santos, Lidiane Ribeiro
dc.subject.por.fl_str_mv Retinopatia diabética
Reconhecimento de padrões
Aprendizado de máquina
Redes neurais
Diabetic retinopathy
Pattern recognition
Machine learning
Neural networks
topic Retinopatia diabética
Reconhecimento de padrões
Aprendizado de máquina
Redes neurais
Diabetic retinopathy
Pattern recognition
Machine learning
Neural networks
description Introdução: A retinopatia diabética (RD) é uma grave complicação do diabetes mellitus e uma das principais causas de cegueira irreversível no mundo. O exame fundoscópico e a retinografia, constituem o método diagnóstico padrão para identificação da doença. No entanto, este processo é demorado e depende da avaliação do especialista, o que limita a eficiência do tratamento. Os modelos de inteligência artificial para detecção automática de doenças pelo aprendizado de máquinas podem ser alternativas mais ágeis para a triagem de RD. Dentre elas estão o Optimum-Path Forest (OPF), que apresenta eficiência e baixo custo operacional e o Restricted Boltzmann Machine (RBM), que auxilia no reconhecimento de imagens e possibilita a diminuição da carga computacional. Objetivos: Determinar a acurácia, sensibilidade e especificidade dos modelos de aprendizado de máquina (OPF e RBM) na identificação da retinopatia diabética. Métodos: Estudo transversal com pacientes maiores de 18 anos e suspeita de RD, submetidos a exame oftalmológico e retinografia. As imagens da retina foram avaliadas por um especialista e classificadas pelos modelos OPH e RMB. As retinografias foram separadas em quatro classes (sem RD, RD leve, moderada/grave e proliferativa). Após a fase de treinamento do sistema para reconhecimento dos padrões de retinopatia e normalidade, os modelos RBM e OPF extraíram 500 e 1000 características das imagens para classificação da doença. Foram executadas 15 séries de experimentos com uma repetição de 30 ciclos por série. Resultados: Participaram do estudo 73 diabéticos (122 olhos), sendo 50,7% homens e 49,3% mulheres. A média de idade foi de 59,7 anos. O RMB 1000 teve o melhor desempenho em termos de precisão diagnóstica (89,47 ±2,64) na análise geral. O RMB 500 foi superior na detecção automática de sinais de RD nas retinografias (sensibilidade de 100%). Quanto à especificidade, tanto RBM 1000 quanto OPF 1000, identificaram corretamente 100% das imagens sem sinais de RD. Conclusão: Os modelos de detecção automática de doenças pelo aprendizado de máquinas testados, especialmente o RBM, apresentaram boa precisão diagnóstica, alta sensibilidade e potencial para serem utilizados na triagem da retinopatia diabética.
publishDate 2020
dc.date.none.fl_str_mv 2020-08-28
2021-02-02T18:39:17Z
2021-02-02T18:39:17Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/11449/202616
33004064006P8
url http://hdl.handle.net/11449/202616
identifier_str_mv 33004064006P8
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESP
instname:Universidade Estadual Paulista (UNESP)
instacron:UNESP
instname_str Universidade Estadual Paulista (UNESP)
instacron_str UNESP
institution UNESP
reponame_str Repositório Institucional da UNESP
collection Repositório Institucional da UNESP
repository.name.fl_str_mv Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)
repository.mail.fl_str_mv
_version_ 1808130323519635456