Estudo para a avaliação em tempo real do grau de retinopatia diabética e risco de edema macular

Abstract

O objetivo desse trabalho foi avaliar qual rede neural artificial junto com qual tipo de processamento de imagem seria capaz de identificar corretamente o grau de retinopatia diabética e risco de edema macular em pacientes com diabetes mellitus, de acordo com o diagnóstico dado por três instituições francesas. Para cada entidade foram utilizadas as arquiteturas de rede neural Inception V3 e PNASNet. As imagens do banco de dados passaram por cinco processamentos diferentes, totalizando seis grupos de imagens, um para cada processamento e um para as imagens sem processamento. Foram criadas 12 redes neurais para cada entidade, totalizando 36 redes neurais para cada uma das condições clínicas. Para a comparação do desempenho das diferentes redes foi utilizada a análise de desempenho aplicada a testes-diagnósticos em 60 imagens da retina de pacientes. A avaliação através desses índices alcançou os melhores resultados para a classificação do grau de retinopatia diabética com a rede de arquitetura PNASNet, treinada com as imagens avaliadas pelo Hôpital Lariboisière Paris, após um aprimoramento de contraste e adição de brilho simultâneos, com os seguintes valores de desempenho: sensibilidade de 89,5%, especificidade de 86,4%, valor preditivo positivo de 91,9%, valor preditivo negativo de 82,6% e acurácia de 88,3%. Os melhores resultados para a classificação do nível de risco de edema macular foram obtidos pela rede de arquitetura PNASNet, treinada com as imagens avaliadas pelo LATIM - CHRU de Brest, após um aprimoramento de contraste e adição de brilho simultâneos, com os seguintes valores de desempenho: sensibilidade de 100%, especificidade de 98,1%, valor preditivo positivo de 87,5%, valor preditivo negativo de 100% e acurácia de 98,3%.

Abstract: The goal of this work was to evaluate which artificial neural network along with which type of image processing would be able to correctly identify the degree of diabetic retinopathy and risk of macular edema in patients with diabetes mellitus, according to the diagnosis given by three French institutions. For each center were used the Inception V3 and PNASNet neural network architectures. The images in the database went through five different renderings, totaling six groups of images, one for each processing and one for unprocessed images. Twelve neural networks were created for each entity, totaling 36 neural networks for each of the diseases. In order to compare the performance of the different networks, the performance analysis applied to diagnostic tests in 60 patient retinal images was used. The evaluation through these indices achieved the best results for the classification of the degree of diabetic retinopathy with the PNASNet architecture network, trained with the images evaluated by Hôpital Lariboisière Paris, after simultaneous enhancement of contrast and addition of brightness, with the following values of performance: sensitivity of 89.5%, specificity of 86.4%, positive predictive value of 91.9%, negative predictive value of 82.6% and accuracy of 88.3%. The best results for the classification of the risk level of macular edema were obtained by the PNASNet architecture network, trained with the images evaluated by Brest 's LATIM - CHRU after simultaneous enhancement of contrast and brightness addition, with the following performance values: sensitivity of 100%, specificity of 98.1%, positive predictive value of 87.5%, negative predictive value of 100% and accuracy of 98.3%.