Compartilhamento |
![]() ![]() |
Use este identificador para citar ou linkar para este item:
https://tedebc.ufma.br/jspui/handle/tede/tede/3356
Tipo do documento: | Dissertação |
Título: | Redes neurais multinível para classificação do ângulo da câmara anterior utilizando Imagens OCT-SA |
Título(s) alternativo(s): | Multilevel neural networks for anterior chamber angle classification using OCT-SA images |
Autor: | FERREIRA, Marcos Melo ![]() |
Primeiro orientador: | BRAZ JUNIOR, Geraldo |
Primeiro membro da banca: | BRAZ JUNIOR, Geraldo |
Segundo membro da banca: | PAIVA, Anselmo Cardoso de |
Terceiro membro da banca: | ALMEIDA, João Dallyson Sousa de |
Quarto membro da banca: | ARAÚJO, Sidnei Alves de |
Resumo: | O glaucoma é apontado como sendo uma das principais causas de comprometimento da visão, e a principal causa de cegueira irreversível. As principais formas da doença são o glaucoma primário de ângulo aberto e o glaucoma primário de ângulo fechado. Em pessoas com glaucoma de ângulo fechado, ocorre o estreitamento do ângulo da câmara anterior, consequentemente acarretando o aumento da pressão intraocular provocando danos ao nervo óptico, causando perda parcial ou total da visão. Como os danos são irreversíveis, um diagnóstico precoce é essencial, porém é dificultado devido ao fato da doença ser assintomática nos estágios iniciais. Para detecção precoce da doença, são recomendados exames de imagem de rotina, sendo um deles a Tomografia de Coerência Óptica do Segmento Anterior, que permite a classificação do ângulo, fundamental para o diagnóstico. A análise deste tipo de imagem requer um grau de interpretação por parte dos especialistas, devido a isso, a avaliação de muitas imagens demanda muito tempo, podendo levar a fadiga do profissional. A utilização de métodos automáticos para auxiliar na interpretação das imagens contribuiria para obtenção de diagnósticos mais rapidamente. Neste trabalho é proposto um método automático para classificação do ângulo da câmara anterior, presente em imagens de Tomografia do Segmento Anterior, baseado em aprendizagem profunda, utilizando redes neurais convolucionais. Inicialmente, cinco modelos pré-treinados de redes convolucionais foram ajustados para extração de características e classificação das imagens. A seguir, os modelos foram combinados em uma arquitetura multinível, com o objetivo de se aumentar a capacidade de classificação. Como melhor resultado foi alcançado um valor AUC (do inglês, Area Under the Curve) de 0,999. |
Abstract: | Glaucoma is identified as one of the main causes of visual impairment, and the main cause of irreversible blindness. The main forms of the disease are primary open-angle glaucoma and primary angle-closure glaucoma. In people with angle-closure glaucoma, the anterior chamber angle narrows, consequently causing an increase in intraocular pressure causing damage to the optic nerve, causing partial or total vision loss. As the damage is irreversible, an early diagnosis is essential, but it is hampered due to the fact that the disease is asymptomatic in early stages. For early detection of the disease, routine imaging tests are recommended, one of which is Anterior Segment Optical Coherence Tomography, which allows an angle classification, which is essential for diagnosis. An analysis of this type of image requires a degree of interpretation on the part of specialists, because of this, the evaluation of many images requires a lot of time, which can lead to professional fatigue. The use of automated methods to assist in the interpretation of images would contribute to get diagnoses more quickly. In this work, an automated method is proposed to classify the anterior chamber angle, present in Anterior Segment images, based on deep learning, using convolutional neural networks. Initially, five pre-trained models of convolutional networks were adjusted to perform feature extraction and classify images. Next, the models were combined in a multilevel architecture, with the objective of increasing the classification capacity. As best result achieved an AUC value (Area Under the Curve) of 0.999. |
Palavras-chave: | Glaucoma Redes neurais convolucionais Arquitetura multinível Transferência de aprendizado Glaucoma Convolutional neural networks Multilevel architecture Transfer learning |
Área(s) do CNPq: | Ciência da Computação |
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: | FERREIRA, Marcos Melo. Redes neurais multinível para classificação do ângulo da câmara anterior utilizando Imagens OCT-SA. 2021. 59 f. Dissertação (Programa de Pós-Graduação em Ciência da Computação/CCET) - Universidade Federal do Maranhão, São Luís, 2021. |
Tipo de acesso: | Acesso Aberto |
URI: | https://tedebc.ufma.br/jspui/handle/tede/tede/3356 |
Data de defesa: | 18-Mar-2021 |
Aparece nas coleções: | DISSERTAÇÃO DE MESTRADO - PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
MARCOS-FERREIRA.pdf | Dissertação de Mestrado | 1,44 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.