Compartilhamento |
|
Use este identificador para citar ou linkar para este item:
https://tedebc.ufma.br/jspui/handle/tede/tede/2576
Tipo do documento: | Dissertação |
Título: | Aprendizagem Profunda Aplicada ao Diagnóstico do Glaucoma |
Título(s) alternativo(s): | Deep Learning Applied to the Diagnosis of Glaucoma |
Autor: | LIMA, Alan Carlos de Moura |
Primeiro orientador: | BRAZ JÚNIOR, Geraldo |
Primeiro coorientador: | ALMEIDA, João Dallyson Sousa de |
Primeiro membro da banca: | BRAZ JÚNIOR, Geraldo |
Segundo membro da banca: | ALMEIDA, João Dallyson Sousa de |
Terceiro membro da banca: | PAIVA, Anselmo Cardoso de |
Quarto membro da banca: | VERAS, Rodrigo de Melo Souza |
Resumo: | O glaucoma é um grupo de doenças oculares que causam danos ao nervo óptico, ocasionando o sucessivo estreitamento do campo visual em pacientes afetados, devido a um aumento da pressão intra-ocular, que pode levar o paciente, em estágio avançado, à cegueira, sem reversão clínica. Por diversos anos, desde técnicas de análise manual das estruturas internas do globo ocular à utilização de aprendizagem profunda com redes neurais convolucionais (CNNs, do inglês, Convolutional Neural Networks) foram utilizadas com sucesso no diagnóstico do glaucoma. No entanto, construir uma rede de aprendizagem profunda demanda um grande esforço que em muitas situações nem sempre são capazes de alcançar resultados satisfatórios, devido à quantidade de parâmetros que necessitam ser configurados para adequar a arquitetura da CNN ao problema em questão. O objetivo deste trabalho consiste em utilizar uma técnica de otimização de hiperparâmetros para selecionar parâmetros ideais de um algoritmo genético (AG) que vise escolher a melhor arquitetura CNN, através de técnicas evolutivas e que seja capaz de auxiliar no diagnóstico mais preciso do glaucoma, em imagens de fundo de olho. A metodologia proposta foi aplicada em 455 imagens do dataset RIM-ONE, em sua segunda versão (r2), com imagens redimensionadas para o tamanho 96x96, no padrão RGB. A CNN selecionada pelo AG, após o treinamento, apresentou para o diagnóstico do glaucoma os resultados de acurácia de 96,63%, sensibilidade de 94,87%, especificidade de 98,00%, precisão de 97,37% e f-score de 96,10%. |
Abstract: | Glaucoma is a cluster of ocular diseases that cause damage to the eye’s optic nerve and cause successive narrowing of the visual field in affected patients, due to an increase in intraocular pressure, which can lead the patient to blindness at an advanced stage without clinical reversal. For several years, from techniques of manual analysis of the internal structures of the eye to the use of deep learning with convolutional neural networks (CNNs) were successfully used in the diagnosis of glaucoma. However, building a deep learning network requires a lot of effort that in many situations is not always able to achieve satisfactory results due to the amount of parameters that need to be configured to adapt the CNN architecture to the problem in question. The objective of this work is to use a hyperparameter search technic to select the tuned parameters of a genetic algorithm (GA) to select the best CNN architecture through evolutionary techniques and to be able to aid in the accurate diagnosis of glaucoma, in eye fund images. The proposed methodology was applied in 455 images from RIM-ONE dataset, in its version 2 (r2), with resized images to 96x96 pixels in the RGB color model. The selected CNN by AG, after its training, achieved for the diagnosis of glaucoma the results of 96.63% for accuracy, 94.87% for sensitivity, 98.00% for specificity, 97.37% for precision and 96.10% for f-score. |
Palavras-chave: | Diagnóstico de glaucoma Aprendizagem profunda Meta learning Algoritmos genéticos Glaucoma diagnosis Deep learning Meta learning Genetic algorithms |
Área(s) do CNPq: | Teoria da Computação Análise de Algoritmos e Complexidade de Computação Oftalmologia |
Idioma: | por |
País: | Brasil |
Instituição: | Universidade Federal do Maranhão |
Sigla da instituição: | UFMA |
Departamento: | DEPARTAMENTO DE INFORMÁTICA/CCET |
Programa: | PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET |
Citação: | LIMA, Alan Carlos de Moura. Aprendizagem Profunda Aplicada ao Diagnóstico do Glaucoma. 2019. 78 f. Dissertação (Programa de Pós-Graduação em Ciência da Computação / CCET) - Universidade Federal do Maranhão, São Luís. |
Tipo de acesso: | Acesso Aberto |
URI: | https://tedebc.ufma.br/jspui/handle/tede/tede/2576 |
Data de defesa: | 19-Fev-2019 |
Aparece nas coleções: | DISSERTAÇÃO DE MESTRADO - PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
AlanLima.pdf | Dissertação de Mestrado | 2,16 MB | Adobe PDF | Baixar/Abrir Pré-Visualizar |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.