ABSTRACT
ABSTRACT Deep learning (DL) techniques achieve high performance in the detection of illnesses in retina images, but the majority of models are trained with different databases for solving one specific task. Consequently, there are currently no solutions that can be used for the detection/segmentation of a variety of illnesses in the retina in a single model. This research uses Transfer Learning (TL) to take advantage of previous knowledge generated during model training of illness detection to segment lesions with encoder-decoder Convolutional Neural Networks (CNN), where the encoders are classical models like VGG-16 and ResNet50 or variants with attention modules. This shows that it is possible to use a general methodology using a single fundus image database for the detection/segmentation of a variety of retinal diseases achieving state-of-the-art results. This model could be in practice more valuable since it can be trained with a more realistic database containing a broad spectrum of diseases to detect/segment illnesses without sacrificing performance. TL can help achieve fast convergence if the samples in the main task (Classification) and sub-tasks (Segmentation) are similar. If this requirement is not fulfilled, the parameters start from scratch.
RESUMEN Las técnicas de Deep Learning (DL) han demostrado un buen desempeño en la detección de anomalías en imágenes de retina, pero la mayoría de los modelos son entrenados en diferentes bases de datos para resolver una tarea en específico. Como consecuencia, actualmente no se cuenta con modelos que se puedan usar para la detección/segmentación de varias lesiones o anomalías con un solo modelo. En este artículo, se utiliza Transfer Learning (TL) con la cual se aprovecha el conocimiento adquirido para determinar si una imagen de retina tiene o no una lesión. Con este conocimiento se segmenta la imagen utilizando una red neuronal convolucional (CNN), donde los encoders o extractores de características son modelos clásicos como VGG-16 y ResNet50 o variantes con módulos de atención. Se demuestra así, que es posible utilizar una metodología general con bases de datos de retina para la detección/ segmentación de lesiones en la retina alcanzando resultados como los que se muestran en el estado del arte. Este modelo puede ser entrenado con bases de datos más reales que contengan una gama de enfermedades para detectar/ segmentar sin sacrificar rendimiento. TL puede ayudar a conseguir una convergencia rápida del modelo si la base de datos principal (Clasificación) se parece a la base de datos de las tareas secundarias (Segmentación), si esto no se cumple los parámetros básicamente comienzan a ajustarse desde cero.
ABSTRACT
A retinopatia diabética (RD) é uma das principais complicações do diabetes mellitus, pois causa sérios danos à retina e consequentemente à visão, podendo inclusive resultar em cegueira. O diagnóstico da RD é realizado através da análise visual de imagens de retina, sendo os exsudatos (depósitos de gordura) os principais padrões rastreados pelo médico especialista. Vale destacar que o diagnóstico precoce, realizado através do monitoramento regular, associado ao tratamento adequado apresenta inúmeros benefícios na prevenção da deficiência visual. Neste trabalho, é proposto um algoritmo de detecção de exsudatos em imagens de retina, cuja validação experimental é realizada na base pública DIARETDB1. A escolha desta base se deve à disponibilidade da localização dos exsudatos na retina, o que constitui o padrão ouro para a validação dos algoritmos. A metodologia proposta combina agrupamento nebuloso e técnicas de morfologia matemática, além de prover a detecção do disco óptico considerando que o mesmo é um ponto de convergência dos vasos. Os resultados mostraram que o método de detecção de exsudatos apresentou taxas de acerto na avaliação por imagens e por regiões na ordem de 73,03% e 99,41%, respectivamente. Estes resultados confirmam que houve uma melhoria no desempenho na detecção, quando comparados, aos resultados de métodos disponíveis na literatura.
Diabetic retinopathy (DR) is one of the major complications of diabetes mellitus and, furthermore it causes severe damage to the retina and consequently to the vision. DR may lead to blindness and therefore it is important to prevent it or early detect and treat it. The diagnosis of DR is performed by visual analysis of retinal images being exudates (fat deposits) the main patterns traced by a specialist doctor. It is noteworthy that early diagnosis, through regular monitoring when coupled with proper treatment, results in numerous benefits in the prevention of visual impairment. Thus, this paper proposes an algorithm for exudate detection in retinal images, whose experimental validation is performed on retina images of the publicly available DIARETDB1 database. The reason for choosing this database is that it provides spatial coordinates of exudates in retina images which constitute ground truths for the algorithm validation. The proposed methodology combines fuzzy clustering and mathematical morphology techniques, and thus it provides a method for optic disk detection considering that it is as the convergent point of vessels. The exudate detection method presented successful rates of 73.03% and 99.41% concerning the use of the whole image and only partial regions, respectively. These results confirm the performance improvement provided by the proposed methodology, when comparing it to other methods available in the literature.