Classification of Ocular Pathologies using a Cascade Swin Transformer Model

• 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

Abstract

Each year, between 1 and 2 million people lose their vision around the world, with women being the most affected. The fundus examination is a non-invasive and low-cost method compared to other techniques, which can be used to diagnose different ocular abnormalities. This observation manual is time consuming and subject to misinterpretation among experts. In this context, this work proposes a cascade classification method to carry out the correct diagnosis of pathologies using the Swin Transformer network. In the test carried out with the Odir5K base, results of up to 71% F1-Score for the normal class were obtained, 0.67% for Sick class.

References

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.