Use este identificador para citar ou linkar para este item: http://repositorio.ufc.br/handle/riufc/65324
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.authorAssis, Débora Ferreira de-
dc.contributor.authorMotta, Pedro Crosara-
dc.contributor.authorCortez, Paulo César-
dc.contributor.authorRibeiro, Fábio Cisne-
dc.date.accessioned2022-04-27T17:33:28Z-
dc.date.available2022-04-27T17:33:28Z-
dc.date.issued2019-
dc.identifier.citationASSIS, Débora Ferreira de; MOTTA, Pedro Crosara; CORTEZ, Paulo Cesar; RIBEIRO, Fábio Cisne. Avaliação de métodos de classificação de glaucoma em imagens do fundo do olho. In: SIMPÓSIO BRASILEIRO DE AUTOMAÇÃO INTELIGENTE, 14º., 27 a 30 Out. 2019, Ouro Preto, Minas Gerais. Anais eletrônicos[...] Campinas, Galoá, 2019. v. 1, p. 2578-2583, 2019.-108496. DOI: 10.17648/sbai-2019-111527.pt_BR
dc.identifier.issn2358-4483-
dc.identifier.uriDOI: 10.17648/sbai-2019-111527-
dc.identifier.urihttp://www.repositorio.ufc.br/handle/riufc/65324-
dc.description.abstractGlaucoma is an asymptomatic ocular disease at the onset which, if left untreated, can lead to blindness. The World Health Organization (WHO) has estimated that by 2020 glaucoma should affect 80 million people and by 2040 will be 111.5 million. In this context, the present work aims to compare methods of automatic classification of glaucoma to aid in its diagnosis by medical specialists. For this, two models are developed based on the extraction of characteristics of eye fundus images obtained from the public base RIM-ONE v2, and also uses a simple convolutional neural network (CNN). In the first model, texture characteristics, histogram information and image colors are extracted, which are submitted to the Principal Component Analysis (PCA) to evaluate nine classical classifiers including Multilayers perceptron (MLP) . In the evaluation are used Accuracy, sensitivity, specificity and area under curve (AUC) . The results demonstrate that the best performance is obtained with the MLP classifier with PCA use in the characteristic descriptors, with accuracy of 90.11%, sensitivity 97.44%, specificity of 84.62%, and AUC equal to 0.90.pt_BR
dc.language.isopt_BRpt_BR
dc.publisherSociedade Brasileira de Automática (SBA) - https://proceedings.science/sbai-2019/inicio; Galoá Science - https://galoa.com.br/pt_BR
dc.subjectGlaucomapt_BR
dc.subjectClassificacãopt_BR
dc.subjectRede neural convolucionalpt_BR
dc.subjectMLPpt_BR
dc.subjectPCApt_BR
dc.subjectSegmentação do nervo ópticopt_BR
dc.titleAvaliação de Métodos de Classificação de Glaucoma em Imagens do Fundo do Olhopt_BR
dc.typeArtigo de Eventopt_BR
dc.description.abstract-ptbrSegundo as projeções da Organização Mundial de Saúde (OMS), em 2020 o glaucoma deve afetar 80 milhões de pessoas e em 2040 são estimados 111,5 milhões. O presente trabalho visa comparar métodos de classificação automática do glaucoma para auxiliar no seu diagnóstico por médicos especialistas. Para tanto, são desenvolvidos dois modelos com base na extração de características de textura e geométricas de imagens de fundo de olho, obtidas base pública RIM-ONE v2, e também se utiliza de uma rede neural convolucional (CNN) simples. Avaliam-se nove classificadores clássicos, incluindo-se Multilayers perceptron (MLP). Empregam-se na avaliação a acurácia, sensibilidade, especificidade e área sob a curva (area under curve - AUC). Os resultados demonstram que o melhor desempenho é obtido com o classificador MLP com uso do PCA nos descritores de características, com acurácia de 90,11\%, sensibilidade 97,44\%, especificidade de 84,62\%, e AUC igual a 0,90.pt_BR
dc.description.abstract-es; ; ; ;pt_BR
Aparece nas coleções:DETE - Trabalhos apresentados em eventos

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2019_eve_dfdeassis.pdf560,55 kBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.