dc.contributor.author | Reis, Leonardo Patrocínio dos | |
dc.date.accessioned | 2023-04-13T14:56:05Z | |
dc.date.available | 2023-04-13T14:56:05Z | |
dc.date.issued | 2023-04-06 | |
dc.identifier.citation | REIS, Leonardo Patrocínio dos. Algoritimo de detecção de retinopatia diabética baseado em aprendizado de máquina. 2023. Trabalho de Conclusão de Curso (Graduação em Engenharia Elétrica) – Universidade Federal de São Carlos, São Carlos, 2023. Disponível em: https://repositorio.ufscar.br/handle/ufscar/17725. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/17725 | |
dc.description.abstract | In this study, the application of neural network and machine learning techniques was explored in order to identify the presence of lesions related to diabetic retinopathy (DR) in fundus images. DR is a frequent complication in diabetic individuals and can lead to vision loss if not detected and treated in a timely manner. The architecture of the classification model proposed in this work is composed of two decision streams that are concatenated to generate the final classification. The first flow uses a U-Net network to segment and extract veins and blood vessels from the original image, followed by an Inception model with an attention mechanism for classification. The second stream directly processes the raw image through an Inception model with an attention mechanism. The proposed model was trained and validated using three combined public datasets (ARIA, RFMiD and STARE). Tools employed in development included Python, TensorFlow, Keras, OpenCV and other complementary libraries. The final model reached an accuracy of 95.4% and a sensitivity of 94.87% in classifying diabetic retinopathy lesions, demonstrating its potential to contribute to the early detection and adequate treatment of this ocular complication. | eng |
dc.description.sponsorship | Não recebi financiamento | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by/3.0/br/ | * |
dc.subject | Retinopatia diabética | por |
dc.subject | Diabetic retinopathy | eng |
dc.subject | Classificação de imagens médicas | por |
dc.subject | Medical image classification | eng |
dc.subject | Aprendizado de máquina | por |
dc.subject | Machine learning | eng |
dc.subject | Redes neurais | por |
dc.subject | Neural network | eng |
dc.subject | Inception | eng |
dc.subject | U-Net | por |
dc.subject | Mecanismo de atenção | por |
dc.subject | Mechanism of Attention | eng |
dc.subject | Imagens de fundo de olho | por |
dc.subject | Fundus imaging | eng |
dc.subject | Detecção precoce | por |
dc.subject | Early detection | eng |
dc.subject | Segmentação de veias | por |
dc.subject | Vein segmentation | eng |
dc.title | Algoritimo de detecção de retinopatia diabética baseado em aprendizado de máquina | por |
dc.title.alternative | Diabetic retinopathy detection algorithm based on machine learning | eng |
dc.type | TCC | por |
dc.contributor.advisor1 | França, Celso Aparecido de | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/4547836128892982 | por |
dc.description.resumo | Neste estudo, foi explorada a aplicação de técnicas de redes neurais e aprendizado de máquina com o intuito de identificar a presença de lesões relacionadas à retinopatia diabética (RD) em imagens de fundo de olho. A RD é uma complicação frequente em indivíduos diabéticos, podendo levar à perda da visão caso não seja detectada e tratada em tempo hábil. A arquitetura do modelo de classificação proposta neste trabalho é composta por dois fluxos de decisão que são concatenados para gerar a classificação final. O primeiro fluxo utiliza uma rede U-Net para segmentar e extrair as veias e vasos sanguíneos da imagem original, seguido por um modelo Inception com mecanismo de atenção para a classificação. Já o segundo fluxo processa diretamente a imagem bruta por meio de um modelo Inception com mecanismo de atenção. O modelo proposto foi treinado e validado utilizando três conjuntos de dados públicos combinados (ARIA, RFMiD e STARE). As ferramentas empregadas no desenvolvimento incluíram Python, TensorFlow, Keras, OpenCV e outras bibliotecas complementares. O modelo final alcançou uma precisão de 95, 4% e sensibilidade de 94, 87% na classificação das lesões de retinopatia diabética, demonstrando seu potencial para contribuir na detecção precoce e no tratamento adequado desta complicação ocular. | por |
dc.publisher.initials | UFSCar | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO | por |
dc.subject.cnpq | ENGENHARIAS::ENGENHARIA ELETRICA::CIRCUITOS ELETRICOS, MAGNETICOS E ELETRONICOS | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | https://lattes.cnpq.br/3774676837783325 | por |
dc.publisher.course | Engenharia Elétrica - EE | por |