Estudo da aplicação de deep learning como auxílio ao diagnóstico de glaucoma
| Nível educacional (dc.audience.educationLevel) | Graduação | pt_BR |
| Orientador(a) (dc.contributor.advisor) | Figueiredo, Rodrigo Marques de | |
| Lattes Orientador(a) (dc.contributor.advisorLattes) | http://lattes.cnpq.br/0192178587738651 | pt_BR |
| Autor(a) (dc.contributor.author) | Silva, Fernanda Schäfer Tesch da | |
| Curso (dc.curso) | Engenharia Elétrica | pt_BR |
| Data de Disponibilização (dc.date.accessioned) | 2023-10-19T17:46:38Z | |
| dc.date.available (dc.date.available) | 2023-10-19T17:46:38Z | |
| Data da defesa / Data do evento (dc.date.issued) | 2022-12-02 | |
| Abstract (dc.description.abstract) | Approximately 80 million people have glaucoma worldwide. It is estimated that half of them are unaware of their condition. In low and/or middle-income countries, more than 90% of people with glaucoma are still undiagnosed. Among those diagnosed, 35% are already blind. Affordable and effective screening approaches are therefore needed to identify the individuals at risk for vision loss. Widespread use of screening using fundus imaging, with AI-assisted classification, could allow glaucoma to be diagnosed alongside the other leading causes of blindness at low cost. Implementation studies are needed to determine how and where to apply these new tools. Many important research questions remain unresolved and require substantial investment and a concerted global effort to answer. Meeting the current need, the present research proposes to evaluate the application of deep learning methods in the diagnosis of glaucoma. To accomplish it, four existing CNN architectures (InceptionV3, SqueezeNet, VGG16 and VGG19) were applied to approximately 1550 fundus exams, evaluating different image treatments. In the best performance scenario, an accuracy of 0.71014, precision of 0.71019, recall of 0.71014 and F1 score of 0.71012 were observed. As next steps, it is planned to link the training results to other medical data, as well as other imaging tests in order to improve the method. | pt_BR |
| Resumo (dc.description.resumo) | Atualmente, aproximadamente 80 milhões de pessoas possuem glaucoma em todo o mundo. Estima-se que metade dos portadores da doença não saibam de sua condição. Sabe-se que nos países de renda baixa e/ou média, mais de 90% das pessoas com glaucoma ainda não foram diagnosticadas. Dentre os diagnosticados, 35% já estão cegos. São necessárias, portanto, abordagens de triagem acessíveis e eficazes para permitir a identificação de indivíduos em risco de perda de visão. O uso generalizado de triagem usando imagens de fundo de olho, com classificação assistida por inteli gência artificial, pode permitir que o glaucoma seja diagnosticado juntamente com as outras principais causas de cegueira a baixo custo. Estudos de implementação são necessários para determinar como e onde aplicar essas novas ferramentas. Muitas questões importantes de pesquisa permanecem sem solução e exigem investimen tos substanciais e um esforço global concentrado para serem respondidas. Indo de encontro a atual necessidade, e a fim de facilitar o atendimento em áreas com aceso restrito a serviços médicos, a presente pesquisa se propõe a avaliar a aplicação de métodos de deep learning no auxílio ao diagnóstico glaucoma. Para isso, aplicou-se quatro arquiteturas de CNN existentes (InceptionV3, SqueezeNet, VGG16 e VGG19) à aproximadamente 1550 exames de fundo de olho, avaliando-se diferentes tratamentos de imagem. Observou-se, no cenário que melhor performou, uma acurácia de 0,71014, precisão de 0,71019, recall de 0,71014 e F1 score de 0,71012. Como próximos passos, planeja-se vincular os resultados obtidos com o treinamento à outros dados médicos, bem como outros exames de imagem a fim de obter-se melhores resultados. | pt_BR |
| URI (dc.identifier.uri) | http://repositorio.jesuita.org.br/handle/UNISINOS/12742 | |
| Nome da instituição (dc.publisher) | Universidade do Vale do Rio dos Sinos | pt_BR |
| Assunto (dc.subject) | Glaucoma | pt_BR |
| Assunto (dc.subject) | CNN | pt_BR |
| Assunto (dc.subject) | Fundoscopia | pt_BR |
| Assunto (dc.subject) | Predição | pt_BR |
| Assunto (dc.subject) | Deep learning | pt_BR |
| Assunto (dc.subject) | Fundoscopic examinantion | pt_BR |
| Assunto (dc.subject) | Prediction | pt_BR |
| Título (dc.title) | Estudo da aplicação de deep learning como auxílio ao diagnóstico de glaucoma | pt_BR |
| Tipo de arquivo (dc.type) | TCC | pt_BR |
Arquivos
Pacote original
1 - 1 de 1
Carregando...
- Nome:
- Fernanda Schäfer Tesch da Silva.pdf
- Tamanho:
- 7.95 MB
- Formato:
- Adobe Portable Document Format
- Descrição:
- estudo_aplicacao
Licença do pacote
1 - 1 de 1
Carregando...
- Nome:
- license.txt
- Tamanho:
- 2.12 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: