Application of conditional GAN models in optic disc/optic cup segmentation of retinal fundus images

Filtragem como pré-processamento de CGAN na detecção de glaucoma

“…Contudo, neste caso, o objetivo é realçar bordas e detalhes que possam melhorar a detecção de estruturas da retina pelo uso de CGAN (Redes Adversárias Generativas Condicionadas), a qual é utilizada na geração de dados condicionada [4]. Os resultados obtidos pelo desenvolvimento deste trabalho contribuem significativamente na diminuição da variância de um método para detecção de glaucoma demonstrado por Carvalho et.…”

“…Os resultados obtidos pelo desenvolvimento deste trabalho contribuem significativamente na diminuição da variância de um método para detecção de glaucoma demonstrado por Carvalho et. al [4].…”

“…O diagnóstico de glaucoma envolve o calculo da escavação do nervo óptico por meio de visão computacional [5], obtidos pelo modelo generativo utilizado por Carvalho et. al [4]. A condição de glaucoma é constatada quando a relação entre a escavação óptica e o disco óptico resulta em valores superiores a 0, 5 [5].…”

“…O processo de detecção consiste em registrar os pixels que representam as veias, conforme a As imagens pré-processadas são utilizadas para o treinamento da rede, e o principal resultado é obtido ao se comparar o desempenho da rede quando treinadas pelas mesmas imagens sem qualquer pré-processamento. São observadas melhorias significativa nos desvios padrões das métricas DSC (Coeficiente Dice de Similaridade) e IoU (Interseção sobre União) utilizadas nos modelos de localização de disco (M-LD) e de segmentação de retina (M-SR) [4]. Os resultados indicaram um aumento de 11,11% na métrica DSC, evoluindo de 0,09% para 0,08%, e um incremento de 18,18% na métrica IoU, com variação de 0,011% para 0,09%, como se verifica na Tabela I. Todavia, as acurácias das redes não sofreram variações significativas.…”

“…IV. CONCLUSÕES Após a análise dos resultados da CGAN, com e sem a aplicação do filtro desenvolvido, constatou-se que a filtragem proposta contribui para a redução do desvio padrão da rede neural proposta por Carvalho et al [4], resultando em um modelo mais confiável, uma vez que designa uma menor probabilidade de classificação do diagnóstico fora das expectativas matemáticas. Além disso, a filtragem proposta não comprometeu a acurácia do modelo.…”