Desenvolvimento de Abordagens Baseadas em Redes Neurais Profundas para Detecção e Segmentação de Instância de Lesões Retinianas

• Carlos Santos IFFar
• Marilton Sanchotene de Aguiar UFPel
• Daniel Welfer UFSM

DOI: https://doi.org/10.5753/sbcas_estendido.2024.1222

Resumo

A Retinopatia Diabética (RD) é uma das principais causas de perda de visão e apresenta em suas fases iniciais lesões de fundo, como microaneurismas, hemorragias e exsudatos duros e algodonosos. Modelos computacionais capazes de detectar essas lesões podem auxiliar no diagnóstico precoce da doença e prevenir a manifestação de formas mais graves de lesões, auxiliando também no processo de triagem e definição da melhor forma de tratamento. Entretanto, a detecção de microlesões por meio de sistemas computacionais é um desafio por inúmeros fatores, como o tamanho e formato destas lesões, a presença de ru´ıdo e contraste ruim das imagens, a pequena quantidade de exemplos rotulados nos conjuntos de dados públicos de RD, e a dificuldade de algoritmos de aprendizado profundo em detectar objetos muito pequenos em função da dissipação de gradiente durante o treinamento. Assim, para contornar estes problemas, este trabalho propõe duas novas abordagens baseadas em técnicas de processamento de imagens, aumento de dados, transferência de aprendizado e redes neurais profundas, com o propósito de auxiliar no diagnóstico médico de lesões de fundo. As abordagens propostas foram treinadas, ajustadas e avaliadas usando diferentes conjuntos de dados públicos de Retinopatia Diabética. Para a realização dos experimentos os datasets foram particionados em conjunto de treinamento (50%), validação (20%) e teste (30%). Utilizou-se uma etapa de validação para realizar o ajuste fino de hiperparâmetros, e uma etapa de teste para aferir a capacidade de generalização dos modelos. A abordagem para detecção das lesões de fundo alcançou mAP de 0,2630 para o limite de IoU de 0,5 na etapa de validação utilizando o conjunto de dados DDR e otimizador Adam. Já a abordagem para segmentação de instância das lesões de fundo alcançou mAP de 0,2903 para o limite de IoU de 0,5 na etapa de validação utilizando o conjunto de dados DDR e otimizador Adam, sendo, portanto, 10,38% mais preciso que a abordagem proposta para detecção. Os resultados obtidos nos experimentos demonstram que as novas abordagens apresentaram resultados promissores na detecção de lesões de fundo associadas à RD.

Referências

Alyoubi, W. L., Abulkhair, M. F., and Shalash, W. M. (2021). Diabetic retinopathy fundus image classification and lesions localization system using deep learning. Sensors, 21(11).

Chakrabarti, R., Harper, C. A., and Keeffe, J. E. (2012). Diabetic retinopathy management guidelines. Expert Review of Ophthalmology, 7(5):417–439.

Dai, L., Wu, L., Li, H., and Cai, C. (2021). A deep learning system for detecting diabetic retinopathy across the disease spectrum. Nature Communications, 12(1).

Li, T., Gao, Y., Wang, K., Guo, S., Liu, H., and Kang, H. (2019). Diagnostic assessment of deep learning algorithms for diabetic retinopathy screening. Information Sciences, 501:511–522.

Mateen, M., Wen, J., Nasrullah, N., Sun, S., and Hayat, S. (2020). Exudate Detection for Diabetic Retinopathy Using Pretrained Convolutional Neural Networks. Complexity, 2020.

Nayak, J., Bhat, P. S., Acharya U, R., Lim, C. M., and Kagathi, M. (2008). Automated identification of diabetic retinopathy stages using digital fundus images. Journal of Medical Systems, 32(2):107–115.

Porwal, P., Pachade, S., Kokare, M., Deshmukh, G., Son, J., and Bae, W. (2020). IDRiD: Diabetic Retinopathy – Segmentation and Grading Challenge. Medical Image Analysis, 59.

Santos, C., De Aguiar, M. S., Welfer, D., and Belloni, B. (2021). Deep neural network model based on one-stage detector for identifying fundus lesions. In Proceedings of the International Joint Conference on Neural Networks (IJCNN), pages 1–8, Shenzhen, China, 18–22 July 2021. IEEE.

Shenavarmasouleh, F., Mohammadi, F. G., Amini, M. H., Taha, T., Rasheed, K., and Arabnia, H. R. (2021). Drdrv3: Complete lesion detection in fundus images using mask r-cnn, transfer learning, and lstm.

Ting, D. S. W., Cheung, G. C. M., and Wong, T. Y. (2016). Diabetic retinopathy: global prevalence, major risk factors, screening practices and public health challenges: a review. Clinical and Experimental Ophthalmology, 44(4):260–277.

Vocaturo, E. and Zumpano, E. (2020). The contribution of AI in the detection of the Diabetic Retinopathy. In Proceedings of the IEEE International Conference on Bioinformatics and Biomedicine, BIBM 2020, pages 1516–1519, Seoul, Korea, 16–19 December 2020. IEEE.

Wang, H., Yuan, G., and Zhao, X. (2020). Hard exudate detection based on deep model learned information and multi-feature joint representation for diabetic retinopathy screening. Computer Methods and Programs in Biomedicine, 191:105398.

Wong, T. Y., Aiello, L. P., Ferris, F., Gupta, N., Kawasaki, R., Lansingh, V., Maia, M., Mathenge, W., Moreker, S., Mugit, M., Resnikoff, S., Ruamviboonsuk, P., Sun, J., Taylor, H., Verdaguer, J., and Zhao, P. (2017). ICO guidelines for diabetic eye care. Technical report, International Council of Ophthalmology, Brussels, Belgium.