Metodologia Deep Features para Diagnóstico de Glaucoma / Deep Features Methodology for Glaucoma Diagnosis
DOI:
https://doi.org/10.34117/bjdv6n6-589Keywords:
Glaucoma, Redes Neurais Convolucionais.Abstract
O glaucoma é uma doença ocular caracterizada por neuropatia óptica e distúrbio visual que corresponde á escavação no disco óptico e á degeneração das fibras nervosas ópticas. Geralmente e´ causado pelo aumento na pressão intra-ocular, que danifica o nervo óptico, resultando em perda gra- dual da visão. Um tratamento eficaz é a redução e controle da pressão intra- ocular (PIO) que deve acontecer o mais precocemente possível de modo a limitar a progressão da doença. Vários trabalhos tem sido propostos para a realização do diagnóstico automático de glaucoma. Assim, é vital o desen-volvimento de uma ferramenta computadorizada automática para diagnosticar a doença. No entanto, existe ainda grande dificuldade de lidar com uma grande diversidade de imagens. Em razão disso, tais métodos não são viáveis para o uso em programas de triagem. Este trabalho propõe uma metodologia com a finalidade de detectar de uma maneira eficiente o glaucoma, que seja capaz de lidar com imagens diversas, através da extração de características usando Redes Neurais Convolucionais (CNNs). Nesta proposta foram utilizadas CNNs pré-treinadas e Redes Específicas construídas através de uma estratégia de otimização de arquitetura e de hiperparâmetros especifica para o problema. Destas redes foram extrá?das as características as quais foram utilizadas com o classificador Regressão Logística, apresentando resultados promissores na detecção do Glaucoma. Em experimentos realizados com 1090 imagens de qua- tro bases de dados foram obtidas acurácias de 86.8% e 86.3%.
References
Abbas, Q. (2017). Glaucoma-deep: detection of glaucoma eye disease on retinal fundus images using deep learning. Int J Adv Comput Sci Appl, 8(6):41–5.
Bar, Y., Diamant, I., Wolf, L., and Greenspan, H. (2015). Deep learning with non-medical training used for chest pathology identification. In Medical Imaging 2015: Computer- Aided Diagnosis, volume 9414, page 94140V. International Society for Optics and Photonics.
Bergstra, J., Yamins, D., and Cox, D. D. (2013). Hyperopt: A python library for optimi- zing the hyperparameters of machine learning algorithms. In Proceedings of the 12th Python in science conference, pages 13–20. Citeseer.
Dhungel, N., Carneiro, G., and Bradley, A. P. (2016). The automated learning of deep features for breast mass classification from mammograms. In International Conferencem on Medical Image Computing and Computer-Assisted Intervention, pages 106–114. Springer.
Diaz-Pinto, A., Morales, S., Naranjo, V., Ko¨hler, T., Mossi, J. M., and Navea, A. (2019). Cnns for automatic glaucoma assessment using fundus images: an extensive validation. Biomedical engineering online, 18(1):29.
Fernandes, A. G. S., da Silva Martins, C. M., de Moura Lima, A. C., Junior, G. B., de Almeida, J. D. S., and de Paiva, A. C. (2019). Meta aprendizagem de extrac¸a˜o de caracter?sticas aplicada ao diagno´stico de glaucoma. In Anais do XIX Simpo´sio Brasileiro de Computac¸a˜o Aplicada a` Sau´de, pages 342–347. SBC.
Fumero, F., Alayo´n, S., Sanchez, J., Sigut, J., and Gonzalez-Hernandez, M. (2011). Rim- one: An open retinal image database for optic nerve evaluation. pages 1 – 6.
Han, S., Mao, H., and Dally, W. J. (2015). Deep compression: Compressing deep neu- ral networks with pruning, trained quantization and huffman coding. arXiv preprint arXiv:1510.00149.
LeCun, Y. et al. (1989). Generalization and network design strategies. Connectionism in perspective, 19:143–155.
linchundan (2018). 1000 fundus images with 39 categories.
Matsugu, M., Mori, K., Mitari, Y., and Kaneda, Y. (2003). Subject independent facial expression recognition with robust face detection using a convolutional neural network. Neural Networks, 16(5-6):555–559.
Mittapalli, P. S. and Kande, G. B. (2016). Segmentation of optic disk and optic cup from digital fundus images for the assessment of glaucoma. Biomedical Signal Processing and Control, 24:34–46.
of Technology, B. I. (2018). ichallenge-gon.
Orlando, J. I., Prokofyeva, E., del Fresno, M., and Blaschko, M. B. (2017). Convolutional neural network transfer for automated glaucoma identification. In 12th internatio-nal symposium on medical information processing and analysis, volume 10160, page 101600U. International Society for Optics and Photonics.
Quigley, H. A. and Broman, A. T. (2006). The number of people with glaucoma worldwide in 2010 and 2020. British journal of ophthalmology, 90(3):262–267.
Raghavendra, U., Fujita, H., Bhandary, S. V., Gudigar, A., Tan, J. H., and Acharya, U. R. (2018). Deep convolution neural network for accurate diagnosis of glaucoma using digital fundus images. Information Sciences, 441:41–49.
Raja, C. and Gangatharan, N. (2015). A hybrid swarm algorithm for optimizing glaucoma diagnosis. Computers in biology and medicine, 63:196–207.
Tajbakhsh, N., Shin, J. Y., Gurudu, S. R., Hurst, R. T., Kendall, C. B., Gotway, M. B., and Liang, J. (2016). Convolutional neural networks for medical image analysis: Full training or fine tuning? IEEE transactions on medical imaging, 35(5):1299–1312.
Thylefors, B. and Negrel, A. (1994). The global impact of glaucoma. Bulletin of the World Health Organization, 72(3):323.
Yu, H.-F., Huang, F.-L., and Lin, C.-J. (2011). Dual coordinate descent methods for logistic regression and maximum entropy models. Machine Learning, 85(1):41–75.
