Aplicação de Técnicas de Aprendizado Profundo na Classificação da Retinopatia Diabética

• Arthur Carneiro Kaizer PUC Minas
• Alexei Manso Correa Machado PUC Minas / UFMG

DOI: https://doi.org/10.5753/sbcas_estendido.2025.6954

Resumo

A retinopatia diabética (DR) é uma condição degenerativa da retina causada pelo diabetes, sendo o diagnóstico precoce crucial para evitar a progressão da doença. No entanto, os métodos tradicionais de diagnóstico exigem a análise minuciosa das imagens por especialistas, tornando o processo demorado e subjetivo. Este estudo propõe um modelo de deep learning para a classificação de DR, baseado na análise de diferentes redes convolucionais e técnicas de processamento de imagens. Os resultados indicam que a combinação do pré-processamento utilizando CLAHE e a ResNet50 com o otimizador ADAMW alcançou o melhor desempenho, com uma acurácia de 0,83, ROC-AUC de 0,87 e coeficiente Kappa de 0,85.

Referências

Huang, Y., Lin, L., Cheng, P., Lyu, J., Tam, R., and Tang, X. (2023). Identifying the key components in resnet-50 for diabetic retinopathy grading from fundus images: a systematic investigation. Diagnostics, 13(10):1664.

Kalyani, G., Janakiramaiah, B., Karuna, A., and Prasad, L. N. (2023). Diabetic retinopathy detection and classification using capsule networks. Complex & Intelligent Systems, 9(3):2651–2664.

Karthik, Maggie, S. D. (2019). Aptos 2019 blindness detection.

Lee, C.-H. and Ke, Y.-H. (2021). Fundus images classification for diabetic retinopathy using deep learning. In Proceedings of the 13th International Conference on Computer Modeling and Simulation, ICCMS ’21, page 264–270, New York, NY, USA. Association for Computing Machinery.

Momeni Pour, A., Seyedarabi, H., Abbasi Jahromi, S. H., and Javadzadeh, A. (2020). Automatic detection and monitoring of diabetic retinopathy using efficient convolutional neural networks and contrast limited adaptive histogram equalization. IEEE Access, 8:136668–136673.

Patra, P. and Singh, T. (2022). Diabetic retinopathy detection using an improved resnet50-inceptionv3 structure. In 2022 13th International Conference on Computing Communication and Networking Technologies (ICCCNT), pages 1–6. IEEE.

Porwal, P., Pachade, S., Kamble, R., Kokare, M., Deshmukh, G., Sahasrabuddhe, V., and Meriaudeau, F. (2018). Indian diabetic retinopathy image dataset (idrid).

Saeed, F., Hussain, M., and Aboalsamh, H. A. (2021). Automatic diabetic retinopathy diagnosis using adaptive fine-tuned convolutional neural network. IEEE Access, 9:41344–41359.

Sudarmadji, P. W., Deviani Pakan, P., and Yefrenes Dillak, R. (2020). Diabetic retinopathy stages classification using improved deep learning. In 2020 International Conference on Informatics, Multimedia, Cyber and Information System (ICIMCIS), pages 104–109.