Classificação de Patologias Oculares com o Uso em Cascata do Modelo Swin Transformer

• Filipe Correia Belfort UFMA
• Antônio Pedro Vieira Lima UFMA
• Italo Francyles Santos da Silva UFMA
• Aristófanes Corrêa Silva UFMA

DOI: https://doi.org/10.5753/sbcas.2024.2749

Resumo

A cada ano, entre 1 e 2 milhões de pessoas perdem a visão no mundo, sendo as mulheres as mais afetadas. O exame de fundo de olho é um meio não invasivo e de baixo custo comparado com outras técnicas, que pode ser usado para diagnosticar diferentes anormalidades oculares. Essa observação manual consome tempo e está sujeita a erros de interpretações entre os especialistas. Nesse contexto este trabalho propõe um método de classificação em cascata para realizar o correto diagnostico das doenças utilizando a rede Swin Transformer, No teste feito com a base Odir5K obteve resultados de até 71% de F1-Score para classe normal, 0.67% para classe Doente.

Referências

Araujo, J. D. L. et al. (2018). Diagnóstico de glaucoma a partir de imagens de fundo de olho utilizando índices de diversidade.

Berni, A. V. (2021). Uso de inteligência artificial para apoio na identificação de catarata.

Carvalho, B., Freitas-Costa, P., Pinheiro-Costa, J., Falcão, M., Carneiro, Â., and Falcão-Reis, F. (2014). Avaliação dos resultados do tratamento antiangiogénico na neovascularização coroideia associada à miopia patológica. Acta Médica Portuguesa, 27(1):49–58.

Domingues, V. O., Lawall, A. R. N., Battestin, B. B., de Lima, F. J. R., Lima, P. M., Ferreira, S. H., and Moraes, C. F. (2016). Catarata senil: uma revisão de literatura. Revista de medicina e saúde de Brasília, 5(1).

Emir, B. and Colak, E. (2023). Análise de desempenho de modelos de rede neural convolucional pré-treinados para classificação de doenças oftalmológicas. Arquivos Brasileiros de Oftalmologia, 87:e2022–0124.

Guedes, R. A. P. (2021). Glaucoma, saúde coletiva e impacto social.

Hirakawa, T. H., Costa, W. d. C., Nakahima, F., Ferreira, A. I. C., Ribeiro, L. B., Ticianeli, J. G., and Sequeira, B. J. (2019). Conhecimento dos pacientes diabéticos usuários do sistema único de saúde acerca da retinopatia diabética. Revista Brasileira de Oftalmologia, 78:107–111.

Huang, G., Liu, Z., Van Der Maaten, L., and Weinberger, K. Q. (2017). Densely connected convolutional networks. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 4700–4708.

Jacomini, C. Z. and Hannouche, R. Z. (2001). Retinopatia hipertensiva. Rev bras hipertens, 8:321–7.

Liu, Z., Lin, Y., Cao, Y., Hu, H., Wei, Y., Zhang, Z., Lin, S., and Guo, B. (2021). Swin transformer: Hierarchical vision transformer using shifted windows. In Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), pages 10012–10022.

Rickman, C. B., Farsiu, S., Toth, C. A., and Klingeborn, M. (2013). Dry age-related macular degeneration: mechanisms, therapeutic targets, and imaging. Investigative ophthalmology & visual science, 54(14):ORSF68–ORSF80.

Rocha, M. N. A. M., Ávila, M. P. d., Isaac, D. L. C., Mendonça, L. S. d. M., Nakanishi, L., and Auad, L. J. (2014). Prevalência de doenças oculares e causas de comprometimento visual em crianças atendidas em um centro de referência em oftalmologia do centrooeste do brasil. Revista Brasileira de Oftalmologia, 73(4):225–229.

Wang, K., Xu, C., Li, G., Zhang, Y., Zheng, Y., and Sun, C. (2023). Combining convolutional neural networks and self-attention for fundus diseases identification. Scientific Reports, 13(1):76.