Dissertação (mestrado)—Universidade de Brasília, Faculdade UnB Gama, Programa de Pós-Graduação em Engenharia Biomédica, 2017. / Submitted by Albânia Cézar de Melo (albania@bce.unb.br) on 2017-08-14T13:20:44Z No. of bitstreams: 1 2017_CharlesCorrêaMendes.pdf: 25035948 bytes, checksum: acf2a64f7ee3e14b61ffbac6ee786842 (MD5) / Approved for entry into archive by Raquel Viana (raquelviana@bce.unb.br) on 2017-10-04T16:40:41Z (GMT) No. of bitstreams: 1 2017_CharlesCorrêaMendes.pdf: 25035948 bytes, checksum: acf2a64f7ee3e14b61ffbac6ee786842 (MD5) / Made available in DSpace on 2017-10-04T16:40:41Z (GMT). No. of bitstreams: 1 2017_CharlesCorrêaMendes.pdf: 25035948 bytes, checksum: acf2a64f7ee3e14b61ffbac6ee786842 (MD5) Previous issue date: 2017-10-04 / Esta pesquisa aborda o desenvolvimento e avaliação de um sistema para classificação de imagens de retina como forma de auxílio a diagnóstico da retinopatia diabética. Atualmente, caso não haja tratamento, a retinopatia é a maior causa de cegueira no mundo para as pessoas com Diabetes Mellitus. Sendo assim, como o diagnóstico por imagem é a forma de detecção da doença, o trabalho tem por nalidade desenvolver um sistema com melhor desempenho e praticidade e que possa ser utilizado, por exemplo, em ambientes carentes de serviços de saúde universais, como ferramenta de apoio ao diagnóstico para os profissionais de saúde. O método tradicional de classificação de imagens médicas utiliza extração de características, porém muitas vezes pode ocorrer a perda de informações importantes na imagem que serviriam para um diagnóstico mais preciso. Por isso, o intuito é comparar algoritmos de classificação de imagens com algumas características propostas e também com algoritmos que dispensam extração de características por meio de treinamento de dicionários. Para isso, a ideia é implementar a classificação utilizando-se classificadores frequentemente usados, como Support Vector Machine (SVM) e do tipo Comitês, além de um método mais recente que explora o treinamento de dicionários simultaneamente ao treinamento do classificador, o chamado Learning Algorithm for Soft-thresholding Classi er (LAST). Além disso, avalia-se a utilização de algumas ferramentas que possam melhorar o desempenho da classificação como análise de componentes principais (PCA, do inglês Principal Component Analysis ) e o uso da transformada discreta de Fourier para extração de características espectrais. Testes de hipóteses realizados após avaliação sistemática do sistema mostraram que a classificação usando o método do LAST com PCA teve melhor desempenho nas comparações com o classificador do tipo Comitê com o PCA com nível de significância de 98% e com o SVM com PCA com nível de significância de 99:99%. Já na comparação entre o classificador do tipo Comitês com PCA e SVM com PCA, o método do tipo Comitês obteve resultado melhor com nível de significância de 99:99%. Outros testes de hipóteses mostraram que as três classificações possuem acurácia superior a 0:8 com nível de significância de 91% para o LAST, 99:99% para o classificador do tipo Comitês e 99% para o SVM. Em experimentos com outras variáveis, tendo a Medida-F como parâmetro obteve-se a seguinte ordem de desempenho: LAST com PCA e o módulo da Transformada de Fourier (0.88), LAST (0.75), LAST com módulo de Fourier (0.70), LAST com PCA e fase de Fourier (0.65) e LAST com fase de Fourier (0.60). A análise no plano Receiver Operating Characteristic mostrou que as classificações da imagens com SVM com PCA, do tipo Comitês com PCA, LAST com PCA, LAST e LAST com o módulo da transformada de Fourier e PCA possuem boa relação entre verdadeiros positivos e falsos negativos, o mesmo não acontece nos casos do LAST módulo da transformada de Fourier, LAST com fase da transformada de Fourier e PCA e no LAST com a fase da transformada de Fourier Ao nal, conclui-se que no treinamento com o uso de dicionários, sem a extração prévia de características, o LAST obteve melhor acurácia média (0.84) do que a acurácia comumente encontrada na literatura (0.8) e com as acurácias médias encontradas na pesquisa usando o classificador do tipo Comitês (0.81) e o SVM (0.79). Estes resultados sugerem que algumas configurações propostas, sobretudo a do LAST aplicado diretamente a imagens de retina, podem auxiliar o diagnóstico de retinopatia diabética, dados os índices de verdadeiros positivos encontrados e os baixos índices de falsos negativos. Em trabalho futuro, o autor pretende combinar técnicas de aprendizagem profunda com as abordagens aqui empregadas, para avaliar o impacto sobre as métricas de desempenho, com base em bancos de imagens maiores a serem obtidos em parcerias de pesquisa. / This research is the development and evaluation of a system to classify retinal images as a way to assist in the diagnosis of diabetic retinopathy. Currently, if there is no treatment, the retinopathy is the largest cause of blindness in the world for people with Diabetes Mellitus. Thus, as imaging diagnosis is the form of detection of the disease, the purpose of the work is to develop a system with better performance and that can be used, for example, in environments lacking universal health services, as a tool for support for health professionals. The traditional method of medical imaging uses extractions of features, but often there is a loss of important information in the image that would serve a more accurate diagnosis. Therefore, the aim is to compare algorithms of image classi cation with some characteristics proposed and also with algorithms that do not require extraction of features through the training of dictionaries. For this, the idea is to implement classi cation using frequently used classi ers, such as Support Vector Machine (SVM) and Ensemble, as well as a more recent method that explores the training of dictionaries simultaneously to training Classi er, the Learning Algorithm for Soft-thresholding Classi er (LAST). In addition, it is evaluated the use of some tools that can improve the classi cation performance as main component analysis (PCA) and use of the discrete fourier transform to extract spectral features. Hypothesis tests performed after systematic evaluation showed that the classi cation using the LAST method with PCA performed better in the comparisons with the Ensemble with the PCA with a level of signi cance 98% and with the SVM with PCA With a level of signi cance 99:99%. In the comparison between Ensemble with PCA and SVM with PCA, the Ensemble method obtained a better result with a level of signi cance 99:99%. Other hypothesis tests showed that all three classi cations had accuracy above 0:8 with a level of signi cance 91% for LAST, 99:99% for Ensemble and 99% for SVM. In the experiments with other variables, the performance of F-measure order was obtained: LAST with PCA and Fourier transform (0.88), LAST (0.75), LAST with Fourier module (0.70), LAST with PCA and Fourier phase (0.65) and LAST with Fourier phase (0.60). The analysis in the Receiver Operating Characteristic plane showed that the classi cations of SVM images with PCA, Ensemble with PCA, LAST with PCA, LAST and LAST with the Fourier transform module and PCA have a good relationship between true positives and false negatives, the same does not happen in the cases of LAST Fourier transform module, LAST with Fourier transform phase and PCA, and LAST with the Fourier transform phase. Finally, we conclude that dictionary training without the previous extraction of features with the LAST obtained a better average accuracy (0.84) than the accuracy commonly found in the literature (0.8) and with the average accuracy Found in the search using Ensemble (0.81) and SVM (0.79). The research shows that the classi cation using LAST would help in the diagnosis of diabetic retinopathy, because the system presented good index of true positives and low index of false negatives. In future work, the authors intend to combine deep learning techniques with the approaches used here to evaluate the impact on performance metrics, based on larger database to be obtained in research partnerships.