Wavelet Skip U-Net: Realce de Alta Frequência para Segmentação de Lesões de Retinopatia Diabética

• Lucas Araújo Gonçalves UFMA
• Geraldo Braz Junior UFMA
• João Dallyson Sousa de Almeida UFMA
• Marcos Melo Ferreira UFMA

DOI: https://doi.org/10.5753/sbcas.2026.21515

Resumo

A retinopatia diabética (RD) é uma das principais causas de perda de visão em pacientes diabéticos, tornando essencial a detecção precoce de lesões, como exsudatos e hemorragias. Este trabalho propõe uma arquitetura de aprendizado profundo baseada em U-Net, que utiliza o encoder EfficientNet-B4 pré-treinado no ImageNet e um Módulo de Realce Wavelet na primeira skip connection. O objetivo é explorar a decomposição wavelet (DWT 2D - Haar) para capturar detalhes de bordas e texturas que facilitam a segmentação de pequenas lesões. Os experimentos realizados no dataset IDRiD demonstraram que a inclusão do módulo wavelet aumentou o coeficiente Dice de 62,3% para 65,1% na classe de hemorragia, no conjunto de teste, superando arquiteturas clássicas de segmentação (U-Net e DeepLabV3+)

Referências

Almattar, W., Luqman, H., and Khan, F. A. (2023). Diabetic retinopathy grading review: Current techniques and future directions. Image and Vision Computing, 139:104821.

Chagas, T. A., Dos Reis, M. A., Leivas, G., Santos, L. P., Gossenheimer, A. N., Melo, G. B., Malerbi, F. K., and Schaan, B. D. (2023). Prevalence of diabetic retinopathy in brazil: a systematic review with meta-analysis. Diabetology & Metabolic Syndrome, 15(1):34.

Dias, M., Santos, C., Aguiar, M., Welfer, D., Pereira, A., and Ribeiro, M. (2023). Um novo método baseado em detector de dois estágios para segmentação de instância de lesões retinianas usando o modelo mask r-cnn e a biblioteca detectron2. In Seminário Integrado de Software e Hardware (SEMISH), pages 1–12. SBC.

Fleiss, J. L., Levin, B., Paik, M. C., et al. (1981). The measurement of interrater agreement. Statistical methods for rates and proportions, 2(212-236):22–23.

Gaikwad, A. and Gautam, A. (2024). Segmentation of hard exudates and hemorrhages from diabetic retinopathy images using residual u-net with squeeze and excite blocks. In 2024 IEEE International Conference on Image Processing (ICIP), pages 3064–3069. IEEE.

Kaizer, A. C. and Machado, A. M. C. (2025). Aplicação de técnicas de aprendizado profundo na classificação da retinopatia diabética. In Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS), pages 49–54. SBC.

Lin, T.-Y., Goyal, P., Girshick, R., He, K., and Dollár, P. (2017). Focal loss for dense object detection. In Proceedings of the IEEE international conference on computer vision, pages 2980–2988.

Maji, D., Sigedar, P., and Singh, M. (2022). Attention res-unet with guided decoder for semantic segmentation of brain tumors. Biomedical Signal Processing and Control, 71:103077.

Ministério da Saúde (2025). Vigitel Brasil 2006-2024: vigilância de fatores de risco e proteção para doenças crônicas por inquérito telefônico: estimativas sobre frequência e distribuição sociodemográfica de fatores de risco e proteção para doenças crônicas nas capitais dos 26 estados brasileiros e no Distrito Federal entre 2006 e 2024. Technical report, Brasil. Ministério da Saúde. Secretaria de Vigilância em Saúde e Ambiente. Departamento de Análise Epidemiológica e Vigilância de Doenças Não Transmissíveis, Brasília. Acesso em: 5 mar. 2026.

Moreira, F., Schaan, B., Schneiders, J., Reis, M., Serpa, M., and Navaux, P. (2020). Impacto da resolução na detecção de retinopatia diabética com uso de deep learning. 494–499.

Pereira, A., Santos, C., Aguiar, M., Welfer, D., Dias, M., de Menezes, R., and Santana, D. (2024). Enhanced semantic segmentation of retinal microlesions through r2u-net architecture. In Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS), pages 13–24. SBC.

Porwal, P., Pachade, S., Kamble, R., Kokare, M., Deshmukh, G., Sahasrabuddhe, V., and Meriaudeau, F. (2018). Indian diabetic retinopathy image dataset (idrid): a database for diabetic retinopathy screening research. Data, 3(3):25.

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.

Sambyal, N., Saini, P., Syal, R., and Gupta, V. (2020). Modified u-net architecture for semantic segmentation of diabetic retinopathy images. Biocybernetics and Biomedical Engineering, 40(3):1094–1109.

Tan, M. and Le, Q. (2019). Efficientnet: Rethinking model scaling for convolutional neural networks. In International conference on machine learning, pages 6105–6114. PMLR.

Tan, T.-E. and Wong, T. Y. (2023). Diabetic retinopathy: Looking forward to 2030. Frontiers in endocrinology, 13:1077669.

Ullah, Z., Usman, M., Latif, S., Khan, A., and Gwak, J. (2023). Ssmd-unet: Semi-supervised multi-task decoders network for diabetic retinopathy segmentation. Scientific Reports, 13(1):9087.

Wong, D. C. S., Kiew, G., Jeon, S., and Ting, D. (2021). Singapore eye lesions analyzer (selena): the deep learning system for retinal diseases. In Artificial intelligence in ophthalmology, pages 177–185. Springer.

Wu, J., Li, J., Yang, J., and Mei, S. (2025). Wavelet-integrated deep neural networks: A systematic review of applications and synergistic architectures. Neurocomputing, page 131648.

Xue, J., Yan, S., Qu, J., Qi, F., Qiu, C., Zhang, H., Chen, M., Liu, T., Li, D., and Liu, X. (2019). Deep membrane systems for multitask segmentation in diabetic retinopathy. Knowledge-Based Systems, 183:104887.