Meta Aprendizagem de Extração de Caracterı́sticas Aplicada ao Diagnóstico de Glaucoma
Resumo
O glaucoma é uma doença silenciosa que pode levar a cegueira caso diagnosticado tardiamente. Métodos de inteligência computacional tem sido propostos com a finalidade de disponibilizar um diagnóstico computadorizado que possa guiar o paciente para o tratamento apropriado. Todavia, essas técnicas esbarram no problema de otimização de metodologia, que depende da escolha de diversos algoritmos de diferentes áreas de conhecimento. Este trabalho propõe uma solução através da meta aprendizagem de métodos de pré processamento, decomposição e extração de caracterı́sticas que devem ser usa- dos de maneira eficiente para solucionar o problema. Os resultados obtidos são promissores, atingindo 91,24% de acurácia após 50 testes e supostamente deve melhorar proporcionalmente à quantidade de testes executados.
Referências
Bergstra, J., Yamins, D., and Cox, D. D. (2013a). Hyperopt: A python library for optimizing the hyperparameters of machine learning algorithms. In van der Walt, S., Millman, J., and Huff, K., editors, Proceedings of the 12th Python in Science Conference, pages 13 – 20.
Bergstra, J., Yamins, D., and Cox, D. D. (2013b). 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.
Chen, X., Xu, Y., Wong, D. W. K., Wong, T. Y., and Liu, J. (2015). Glaucoma detection based on deep convolutional neural network. In 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pages 715–718, Milan, Italy. IEEE. http://dx.doi.org/10.1109/EMBC.2015.7318462
de Sousa, J. A., de Paiva, A. C., Sousa de Almeida, J. D., Silva, A. C., Junior, G. B., and Gattass, M. (2017). Texture based on geostatistic for glaucoma diagnosis from fundus eye image. Multimedia Tools and Applications, 76(18):19173–19190. http://dx.doi.org/10.1007/s11042-017-4608-y
Fumero, F., Alayon, S., Sanchez, J. L., Sigut, J., and Gonzalez-Hernandez, M. (2011). RIM-ONE: An open retinal image database for optic nerve evaluation. In 2011 24th International Symposium on Computer-Based Medical Systems (CBMS), pages 1–6, Bristol, UK. IEEE. http://dx.doi.org/10.1109/CBMS.2011.5999143
Gonzalez, R. C. and Woods, R. E. (2010). Processamento Digital de Imagens. Pearson, 3 a edition. Haralick, R., Shanmugam, K., and Dinstein, I. (1973). Texture features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, 3(6). http://dx.doi.org/10.1109/TSMC.1973.4309314
Hinton, G. E., Osindero, S., and Teh, Y.-W. (2006). A fast learning algorithm for deep belief nets. Neural Comput., 18(7):1527–1554. http://dx.doi.org/10.1162/neco.2006.18.7.1527
Kawde, M. M. and Bairagi, V. K. (2016). Early detection of glaucoma disease using image processing. Indian Journal of Science and Technology, 9(30).
Kim, S. J., Cho, K. J., and Oh, S. (2017). Development of machine learning models for diagnosis of glaucoma. PLOS ONE, 12(5):1–16. http://dx.doi.org/10.1371/journal.pone.0177726
Lecun, Y., Bottou, L., Bengio, Y., and Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11):2278–2324.
Matheus V. L. Ribeiro, E. O. T. S. (2017). Lbp incoerente como nova proposta para descrição de cenas.
Ranzato, M. and Hinton, G. E. (2010). Modeling pixel means and covariances using factorized third-order boltzmann machines. In 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pages 2551–2558.
Silva, M. G., Pessoa, A. C., de Almeida, J. D., Junior, G. B., and de Paiva, A. C. (2018). Diagnóstico do glaucoma em imagens de retinografia usando variantes de padrões locais binários. In 18 o Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS 2018), volume 18. SBC.
Silveira, R. M., Almeida, J. D., Teixeira, J. A., Maia, I. M., Paiva, A. C., and Júnior, G. B. (2018). Dispositivo de baixo custo para detecção de patologias da visão. In 18 o Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS 2018), volume 18. SBC.
T. Ojala, M. Pietikainen, D. H. (1996). A comparative study of texture measures with classification based on featured distribution. Pattern Recognit, 29:51–59. http://dx.doi.org/10.1016/0031-3203(95)00067-4