Diagnóstico de glaucoma baseado em Deep Features

• Lisle Faray de Paiva UFMA
• José Mateus Boaro Carvalho UFMA
• Arthur Guilherme Santos Fernandes UFMA
• Caio Manfredini da Silva Martins UFMA
• Geraldo Braz Junior UFMA

Resumo

O glaucoma é uma doença silenciosa que danifica permanentemente o nervo óptico. Assintomática em seu estágio inicial, é a segunda maior causa de cegueira no mundo. Vários sistemas de diagnóstico de glaucoma automático têm sido propostos, no entanto, existe ainda grande dificuldade de lidar com uma grande diversidade de imagens. Em razão disso, tais métodos não são viáveis para o uso em programas de triagem. Este trabalho propõe uma metodologia com a finalidade de detectar de uma maneira eficiente o glaucoma, que seja capaz de lidar com imagens diversas, através da extração de características usando Redes Neurais Convolucionais(CNNs). Nesta proposta, foi avaliado um total de 1090 imagens de quatro bases de dados públicas e foi concluído que a junção de CNNs pré-treinadas e Redes Específicas juntamente com o uso do classificador Regressão Logística são promissores na detecção desta patologia, obtendo acurácias de 86.8% e 86.3%.

Palavras-chave: Redes neurais, Regressão Logística, Glaucoma

Referências

Abbas, Q. (2017). Glaucoma-deep: detection of glaucoma eye disease on retinal fundus images using deep learning. Int J Adv Comput Sci Appl, 8(6):41–5.

Bergstra, J., Yamins, D., and Cox, D. D. (2013). Hyperopt: A python library for optimizing the hyperparameters of machine learning algorithms. In Proceedings of the 12th Python in science conference, pages 13–20. Citeseer.

Fernandes, A. G. S., da Silva Martins, C. M., de Moura Lima, A. C., Junior, G. B., de Almeida, J. D. S., and de Paiva, A. C. (2019). Meta aprendizagem de extrac¸ ˜ao de caracterýsticas aplicada ao diagn´ostico de glaucoma. In Anais do XIX Simp´osio Brasileiro de Computac¸ ˜ao Aplicada `a Sa´ude, pages 342–347. SBC.

Fumero, F., Alay´on, S., Sanchez, J., Sigut, J., and Gonzalez-Hernandez, M. (2011). Rimone: An open retinal image database for optic nerve evaluation. pages 1 – 6.

Han, S., Mao, H., and Dally, W. J. (2015). Deep compression: Compressing deep neural networks with pruning, trained quantization and huffman coding. arXiv preprint arXiv:1510.00149.

linchundan (2018). 1000 fundus images with 39 categories.

Matsugu, M., Mori, K., Mitari, Y., and Kaneda, Y. (2003). Subject independent facial expression recognition with robust face detection using a convolutional neural network. Neural Networks, 16(5-6):555–559.

Mittapalli, P. S. and Kande, G. B. (2016). Segmentation of optic disk and optic cup from digital fundus images for the assessment of glaucoma. Biomedical Signal Processing and Control, 24:34–46. of Technology, B. I. (2018). ichallenge-gon.

Quigley, H. A. and Broman, A. T. (2006). The number of people with glaucoma worldwide in 2010 and 2020. British journal of ophthalmology, 90(3):262–267.

Raghavendra, U., Fujita, H., Bhandary, S. V., Gudigar, A., Tan, J. H., and Acharya, U. R. (2018). Deep convolution neural network for accurate diagnosis of glaucoma using digital fundus images. Information Sciences, 441:41–49.

Yu, H.-F., Huang, F.-L., and Lin, C.-J. (2011). Dual coordinate descent methods for logistic regression and maximum entropy models. Machine Learning, 85(1):41–75.