@MASTERSTHESIS{ 2022:719138993,
 	title = {Uma abordagem para diagnóstico automático de estrabismo baseado em vídeos do exame Cover test alternado utilizando Deep Learning},
 	year = {2022},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/tede/3844",
 	abstract = "O estrabismo é um distúrbio em que a linha de visão de um dos olhos não consegue fixar
 no objeto alvo que os dois olhos estão visualizando, ou seja, enquanto um dos olhos fixa o
 olhar no objeto, a linha de visão do outro está para uma direção diferente. O estrabismo
 afeta uma parcela crescente da população adulta e grande parte das crianças. Pode causar
 problemas estéticos e perda de visão, que em muitos casos pode ser prevenida. Considerando
 as características do distúrbio, o número de médicos especializados disponíveis para a
 população e o avanço computacional nos últimos anos, este trabalho apresenta um método
 computacional para diagnosticar estrabismo usando uma rede neural convolucional. Para
 isso utiliza a YOLOv5 para detecção dos olhos e oclusor em vídeos digitais do exame Cover
 Test alternado. O método foi avaliado em duas bases de vídeos, a primeira intitulada de
 Dataset CV-I que possui 13 vídeos de voluntários adquiridos em consultório médico no
 hospital da Universidade Federal do Maranhão. A segunda base chamada de Dataset CV-II,
 composta por vídeos de 57 voluntários e que foram adquiridos em escolas públicas na cidade
 de São Luís, Maranhão. Os resultados obtidos pelo método proposto são comparados com
 medições de um médico especialista. De acordo com os resultados, o método proposto
 detecta corretamente os olhos 100% das vezes e o oclusor 97% das vezes no conjunto
 de dados de treinamento e teste. A assertividade da rede neural na detecção dos olhos
 também foi validada utilizando uma base de vídeos de paralisia do sexto nervo abreviada
 como PSN, essa base conta com 35 vídeos adquiridos em ambientes variados. Nessa base
 totaliza-se 19.966 olhos, dos quais a rede identificou corretamente 19.488, errando apenas
 478 e com uma assertividade toral de 97,61%. O método também obteve um erro máximo
 de 7,28 dioptrias prismáticas(∆) na aferição de desvios horizontais, ficando abaixo do
 limiar de erro definido na literatura como 8∆. Além disso, ao se avaliar o resultado no
 Dataset CV-I o método alcança uma acurácia igual a 100% e (95%IC = [0,77; 1]), 100%
 de especificidade com (95%CI = [0,66; 1]) e 100% de sensibilidade com (95%IC = [0,48; 1])
 para o estrabismo horizontal. Para o Dataset CV-II o método obteve uma sensibilidade de
 66,67% com (IC 95% [0,64; 0,99]), especificidade de 100% com (IC 95% [0,93; 1]) e acurácia
 de 99,33% com (IC 95% [0,92; 1]) quando considerada apenas a medição horizontal. Por
 fim,ainda para o Dataset CV-II, ao avaliar as medições horizontais e verticais em conjunto,
 o método obteve uma sensibilidade de 66,67% com (IC 95% [0,63; 0,99]), especificidade de
 94,44% com (IC 95% [0,84; 0,98]) e acurácia de 93,89% com (IC 95% [0,84; 0,98]).",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET},
 	note = {DEPARTAMENTO DE INFORMÁTICA/CCET}
}