Processamento de Imagens, Aprendizado de máquina, Extração de Características, Glaucoma.
O glaucoma é uma doença que afeta progressivamente o nervo óptico e é a principal causa de cegueira no mundo. Uma das estratégias mais assertivas para fazer o diagnóstico é a análise clínica auxiliada por resultados da Tomografia de Coerência Óptica (OCT). A OCT é capaz de identificar anomalias na anatomia do nervo óptico, subsidiando o diagnóstico médico. Entretanto, tal exame apresenta um custo elevado, o que tende a prejudicar sua ampla utilização. Como alternativa a essa abordagem, basicamente duas linhas de pesquisa são propostas na literatura: 1) utilização de redes neurais profundas; e 2) soluções que utilizam processamento de imagens de fundo de retina. O problema da primeira abordagem é seu alto custo computacional e a necessidade de grandes volumes de dados para treinamento (que não estão disponíveis publicamente). Quanto à segunda, devido à diferença dos conjuntos de dados - seja por tonalidade, tamanho de imagens, resolução, entre outros -, os métodos propostos apresentam resultados satisfatórios apenas na base em que foram treinados. Neste contexto, almejando-se atacar as limitações supracitadas, o objetivo deste trabalho é desenvolver um método que seja capaz de uniformizar a etapa de extração das características da anatomia do nervo óptico por meio do processamento de imagens de fundo de retina nos diversos conjuntos de dados disponíveis. Na sequência, após a extração dessas características, um classificador baseado em um algoritmo de aprendizado de máquina será utilizado. Como resultado, espera-se um sistema de baixo custo computacional capaz de auxiliar no diagnóstico do glaucoma.