Classificação de imagens de retina para auxílio a diagnóstico de retinopatia diabética via detecção de exsudatos duros, com base em classificadores robustos, máquinas de vetores de suporte e algoritmos com treinamento de dicionários

Abstract

Esta pesquisa aborda o desenvolvimento e avaliação de um sistema para classificação de imagens de retina como forma de auxílio a diagnóstico da retinopatia diabética. Atualmente, caso não haja tratamento, a retinopatia é a maior causa de cegueira no mundo para as pessoas com Diabetes Mellitus. Sendo assim, como o diagnóstico por imagem é a forma de detecção da doença, o trabalho tem por nalidade desenvolver um sistema com melhor desempenho e praticidade e que possa ser utilizado, por exemplo, em ambientes carentes de serviços de saúde universais, como ferramenta de apoio ao diagnóstico para os profissionais de saúde. O método tradicional de classificação de imagens médicas utiliza extração de características, porém muitas vezes pode ocorrer a perda de informações importantes na imagem que serviriam para um diagnóstico mais preciso. Por isso, o intuito é comparar algoritmos de classificação de imagens com algumas características propostas e também com algoritmos que dispensam extração de características por meio de treinamento de dicionários. Para isso, a ideia é implementar a classificação utilizando-se classificadores frequentemente usados, como Support Vector Machine (SVM) e do tipo Comitês, além de um método mais recente que explora o treinamento de dicionários simultaneamente ao treinamento do classificador, o chamado Learning Algorithm for Soft-thresholding Classi er (LAST). Além disso, avalia-se a utilização de algumas ferramentas que possam melhorar o desempenho da classificação como análise de componentes principais (PCA, do inglês Principal Component Analysis ) e o uso da transformada discreta de Fourier para extração de características espectrais. Testes de hipóteses realizados após avaliação sistemática do sistema mostraram que a classificação usando o método do LAST com PCA teve melhor desempenho nas comparações com o classificador do tipo Comitê com o PCA com nível de significância de 98% e com o SVM com PCA com nível de significância de 99:99%. Já na comparação entre o classificador do tipo Comitês com PCA e SVM com PCA, o método do tipo Comitês obteve resultado melhor com nível de significância de 99:99%. Outros testes de hipóteses mostraram que as três classificações possuem acurácia superior a 0:8 com nível de significância de 91% para o LAST, 99:99% para o classificador do tipo Comitês e 99% para o SVM. Em experimentos com outras variáveis, tendo a Medida-F como parâmetro obteve-se a seguinte ordem de desempenho: LAST com PCA e o módulo da Transformada de Fourier (0.88), LAST (0.75), LAST com módulo de Fourier (0.70), LAST com PCA e fase de Fourier (0.65) e LAST com fase de Fourier (0.60). A análise no plano Receiver Operating Characteristic mostrou que as classificações da imagens com SVM com PCA, do tipo Comitês com PCA, LAST com PCA, LAST e LAST com o módulo da transformada de Fourier e PCA possuem boa relação entre verdadeiros positivos e falsos negativos, o mesmo não acontece nos casos do LAST módulo da transformada de Fourier, LAST com fase da transformada de Fourier e PCA e no LAST com a fase da transformada de Fourier Ao nal, conclui-se que no treinamento com o uso de dicionários, sem a extração prévia de características, o LAST obteve melhor acurácia média (0.84) do que a acurácia comumente encontrada na literatura (0.8) e com as acurácias médias encontradas na pesquisa usando o classificador do tipo Comitês (0.81) e o SVM (0.79). Estes resultados sugerem que algumas configurações propostas, sobretudo a do LAST aplicado diretamente a imagens de retina, podem auxiliar o diagnóstico de retinopatia diabética, dados os índices de verdadeiros positivos encontrados e os baixos índices de falsos negativos. Em trabalho futuro, o autor pretende combinar técnicas de aprendizagem profunda com as abordagens aqui empregadas, para avaliar o impacto sobre as métricas de desempenho, com base em bancos de imagens maiores a serem obtidos em parcerias de pesquisa.