Nome do Projeto
Brazilian Diabetic Retinopathy Image Dataset (BDR-ID): Um banco de imagens de fundo do olho para pesquisa em segmentação e detecção de lesões associada à retinopatia diabética
Ênfase
Pesquisa
Data inicial - Data final
01/08/2023 - 31/07/2026
Unidade de Origem
Coordenador Atual
Área CNPq
Ciências Exatas e da Terra
Resumo
Este projeto contempla a criação de um conjunto de dados de imagens de retinopatia diabética para fins de pesquisa em segmentação e detecção de lesões associadas à retinopatia diabética. No campo da oftalmologia, a retinopatia diabética (RD) é uma das principais causas de perda de visão em pessoas com idade produtiva e seu diagnóstico é complexo em função da quantidade de profissionais de saúde especializados e de equipamentos necessários para a realização dos exames muitas vezes serem insuficientes, principalmente em regiões onde a taxa de Diabetes na população local é alta e a detecção da RD é mais necessária. A RD é baseada em lesões da retina, incluindo exsudatos duros e algodonosos, microaneurismas e hemorragias. Portanto, a detecção e tratamento precoce destas lesões podem evitar o desenvolvimento de casos graves da doença e a consequente perda da visão. Recentemente, redes neurais profundas foram aplicadas para resolver problemas associados à identificação de RD. Porém, os resultados frequentemente são limitados em razão da quantidade limitada de lesões rotuladas presentes nos conjuntos de dados de RD disponíveis publicamente que são utilizadas para treinar modelos baseados em aprendizado profundo. Portanto, para mitigar este problema, neste projeto é apresentado um novo conjunto de dados de RD com lesões rotuladas a fim de auxiliar na identificação e diagnóstico precoce da doença.

Objetivo Geral

Propor a criação de um novo conjunto de dados de imagens da retina para a realização de pesquisas em segmentação e detecção de lesões associadas à RD por meio de redes neurais profundas.

Justificativa

A análise de imagens médicas tem grande aplicação no domínio das ciências da saúde, principalmente no auxílio do diagnóstico médico, tanto para prevenção de doenças como para auxílio na escolha do melhor tratamento de doenças. No trabalho apresentado por Ting; Cheung; Wong (2016) foi demonstrado que a perda de visão resultante de RD pode ser evitada quando tratada precocemente. No entanto, a triagem realizada para identificação precoce da RD permanece um desafio, pois diabéticos são geralmente tratados em departamentos de endocrinologia dos hospitais, nos quais costumam-se realizar exames de fundo do olho e este processo geralmente é demorado, pois apenas um número limitado de exames pode ser processado a cada dia. Além disso, o número de oftalmologistas não consegue atender às crescentes demandas ao redor do mundo, particularmente em regiões em desenvolvimento (CHAKRABARTI; HARPER; KEEFFE, 2012).
Os médicos podem identificar a RD por meio da verificação da presença de lesões de fundo associadas às anormalidades vasculares causadas pelo Diabetes. Embora as abordagens convencionais sejam eficazes, suas demandas por recursos são elevadas. O nível de experiência do profissional de saúde que irá atender os pacientes e os equipamentos necessários para a realização dos exames muitas vezes são insuficientes em regiões onde a taxa de Diabetes na população local é alta e a detecção da RD é mais necessária. Além disso, com o número de pessoas com Diabetes crescendo mundialmente, a demanda por infraestrutura para prevenir a perda de visão causada por RD se tornará ainda maior.
Dessa forma, o desenvolvimento de ferramentas computacionais capazes de analisar e processar imagens de fundo podem auxiliar nesse processo de triagem e identificação precoce da doença. Devido ao significado da detecção de lesões em imagem de fundo e à complexidade associada à realização desta tarefa sem o auxílio de um sistema informatizado, muitos métodos automatizados para classificar, segmentar e detectar estas lesões foram desenvolvidos.
O DL tem por propósito permitir que um modelo faça inferências a partir da análise de dados, sendo, portanto, um ramo da inteligência artificial que se baseia na premissa de que sistemas podem aprender com dados e identificar padrões ocultos. A aprendizagem profunda usa redes neurais artificiais como base. Embora vagamente baseada em redes neurais biológicas, as redes neurais artificiais são uma maneira de especificar um conjunto flexível de funções, construída a partir de muitos blocos computacionais chamados neurônios. Os modelos de aprendizado profundo são treinados com dados do mundo real e aprendem como resolver problemas (ROBERTS; YAIDA; HANIN, 2021).
Mesmo que redes neurais profundas sejam utilizadas para a detecção de lesões em imagens de fundo, ainda assim há limitações nos resultados obtidos, principalmente provenientes da baixa representatividade dos atributos extraídos das imagens utilizadas para o treinamento dos modelos em razão da pequena quantidade de dados rotulados presentes nos conjuntos de dados de RD disponíveis publicamente.
Em função desta limitação, da gravidade da Retinopatia Diabética e, também, do impacto desta doença na saúde e qualidade de vida das pessoas, é oportuno propor a criação de um novo conjunto de dados para fins de treinamento e otimização de algoritmos baseados em redes neurais profundas para segmentação e detecção dos principais tipos de lesões associadas à RD, com o intuito de prover um suporte rápido e preciso ao diagnóstico médico, com o mínimo de intervenção humana.

Metodologia

A metodologia consiste basicamente em organizar o trabalho em etapas. Procura-se com essa abordagem encontrar os focos do problema e estabelecer metas claras, para que se evite retrabalho e utilização equivocada de tempo do cronograma de atividades.
Como se trata de um trabalho de cunho fortemente computacional, uma meta importante é obter os equipamentos que serão utilizados para a realização dos experimentos, assim como todas as ferramentas de software e bibliotecas que serão utilizadas para criação e avaliação do conjunto de dados de RD proposto. Quanto às bibliotecas, incluem-se os algoritmos de visão computacional, aprendizagem de máquina e inteligência artificial necessários para implementação dos algoritmos.
Nas etapas finais serão efetuados os testes propriamente ditos a fim de validar o conjunto de dados proposto. Além disso, na última etapa será realizado o fechamento dos trabalhos e avaliação dos resultados obtidos. As etapas e passos metodológicos para a realização do projeto proposto estão detalhados a seguir:

Indicadores, Metas e Resultados

O principal aspecto de inovação deste trabalho é a criação de um novo conjunto de dados para realização de segmentação e detecção de lesões retinianas associadas à RD a fim de auxiliar no diagnóstico precoce e evitar casos graves da doença que podem ocasionar a perda de visão.
Buscar-se-á avaliar a qualidade do conjunto de dados proposto por meio do treinamento, ajuste e avaliação de detectores de objetos baseados em redes neurais profundas no estado da arte.
Concomitantemente, será possível investigar muitas arquiteturas de redes profundas, com diferentes características, camadas, métodos de aprendizado e ativação, permitindo que o estudo proposto agregue o background necessário para o desenvolvimento da pesquisa.
Espera-se que por meio dos resultados obtidos com o conjunto de dados de RD proposto seja possível auxiliar na identificação de lesões de fundo associadas à RD, e, assim, promover um suporte ao diagnóstico médico mais rápido e eficaz.
Também se pretende extrair informações para a investigação e aprimoramento de arquiteturas de redes neurais profundas e abordagens a fim de realizar a detecção e segmentação de instância de lesões retinianas de forma mais precisa.

Equipe do Projeto

NomeCH SemanalData inicialData final
ALEJANDRO DA SILVA PEREIRA
Carlos Alexandre Silva dos Santos
FERNANDO RIBEIRO OLLE
MARCELO DA SILVA DIAS
MARILTON SANCHOTENE DE AGUIAR12

Página gerada em 29/05/2024 17:17:47 (consulta levou 0.147841s)