Otimizando o diagnóstico automatizado de glaucoma a partir de imagens de fundo de olho
Resumo
Glaucoma é a principal causa mundial de perda irreversível de visão. Afim de viabilizar a implantação de uma ferramenta de diagnóstico de glaucoma para a clínica médica, um trabalho base foi selecionado e otimizado. Ao unificar duas redes de segmentação reduzimos o tempo de processamento em 24,24%, e adicionando uma segunda rede de classificação direta aumentamos a sensitividade do modelo em 3%, em comparação com o trabalho base.Referências
Ahn, J. M., Kim, S., Ahn, K.-S., Cho, S.-H., Lee, K. B., and Kim, U. S. (2018). A deep learning model for the detection of both advanced and early glaucoma using fundus photography. PLoS ONE, 13.
Civit-Masot, J., Domínguez-Morales, M. J., Vicente-Díaz, S., and Civit, A. (2020). Dual machine-learning system to aid glaucoma diagnosis using disc and cup feature extraction. IEEE Access, 8.
Mantravadi, A. and Vadhar, N. (2015). Glaucoma. Primary Care Clinics in Office Practice, 42(3).
Ronneberger, O., Fischer, P., and Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical image computing and computer-assisted intervention, pages 234–241. Springer.
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., and Chen, L.-C. (2018). Mobilenetv2: Inverted residuals and linear bottlenecks. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 4510–4520.
Tan, M. and Le, Q. (2019). Efficientnet: Rethinking model scaling for convolutional neural networks. 36th International Conference on Machine Learning, ICML 2019, 2019-June.
Civit-Masot, J., Domínguez-Morales, M. J., Vicente-Díaz, S., and Civit, A. (2020). Dual machine-learning system to aid glaucoma diagnosis using disc and cup feature extraction. IEEE Access, 8.
Mantravadi, A. and Vadhar, N. (2015). Glaucoma. Primary Care Clinics in Office Practice, 42(3).
Ronneberger, O., Fischer, P., and Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical image computing and computer-assisted intervention, pages 234–241. Springer.
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., and Chen, L.-C. (2018). Mobilenetv2: Inverted residuals and linear bottlenecks. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 4510–4520.
Tan, M. and Le, Q. (2019). Efficientnet: Rethinking model scaling for convolutional neural networks. 36th International Conference on Machine Learning, ICML 2019, 2019-June.
Publicado
18/04/2022
Como Citar
CESCHINI, Lucas Mayer; POLICARPO, Lucas Micol; RODRIGUES, Vinicius Facco; RIGHI, Rodrigo da Rosa; RAMOS, Gabriel de Oliveira.
Otimizando o diagnóstico automatizado de glaucoma a partir de imagens de fundo de olho. In: ESCOLA REGIONAL DE ALTO DESEMPENHO DA REGIÃO SUL (ERAD-RS), 22. , 2022, Curitiba.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2022
.
p. 9-12.
ISSN 2595-4164.
DOI: https://doi.org/10.5753/eradrs.2022.19148.
