Transferência de Aprendizagem em CNN: Um estudo comparativo aplicado ao diagnóstico de Glaucoma

Abstract

O glaucoma é a segunda causa mais comum de cegueira no mundo. Estima-se que já tenha afetado a visão de cerca de 80 milhões de pessoas e com projeção de crescimento para os próximos anos. Por se tratar de uma doença assintomática nas fases iniciais e incurável, apenas retardada através de tratamento, a detecção precoce é imprescindível. Nesse sentido, projetar sistemas automatizados eficazes para classificação da doença se faz relevante, tendo em vista que padrões de desconformidades podem ser observados através de exame de imagem, como o aumento da razão copo-disco, hemorragia e palidez. Este trabalho se propôs estudar a transferência de aprendizagem em Redes Neurais Convolucionais avaliando o desempenho de cinco arquiteturas de última geração (MobileNet V3, EfficientNet V2, RegNet, ConvNeXt e ResNet-RS) na classificação de diagnósticos de glaucoma. Os resultados obtidos nos extensivos experimentos realizados, utilizando o maior conjunto de dados público ACRIMA, apresentaram área sob a curva característica de operação do receptor na detecção de glaucoma de 0,9994 com intervalo de confiança de 95% entre 99,93% e 99,95%. Identificou-se superioridade dos modelos ResNet-RS em relação aos demais.