Proposta de sistema de baixo custo para triagem de pacientes com retinopatia diabética

(1)

PROGRAMA DE P ´

OS-GRADUAC

¸ ˜

AO EM ENGENHARIA BIOM ´

EDICA

LUCAS VIEIRA WERNER

PROPOSTA DE SISTEMA DE BAIXO CUSTO PARA TRIAGEM DE

PACIENTES COM RETINOPATIA DIAB ´

ETICA

DISSERTAC

¸ ˜

AO

CURITIBA

(2)

PROPOSTA DE SISTEMA DE BAIXO CUSTO PARA TRIAGEM DE

PACIENTES COM RETINOPATIA DIAB ´

ETICA

Dissertação apresentada ao Programa de Pós-graduação em Engenharia Biomédica da Universidade Tecnológica Federal do Paraná como requisito parcial para obtenção do grau de “Mestre em Ciências” – Área de Concentração: Engenharia Biomédica.

Orientador: Prof. Dr. S´ergio Leandro Stebel

CURITIBA

(3)

Dados Internacionais de Catalogação na Publicação

Werner, Lucas Vieira

Proposta de sistema de baixo custo para triagem de pacientes com retinopatia diabética [recurso eletrônico] / Lucas Vieira Werner. -- 2019. 1 arquivo eletrônico (68 f.): PDF; 9,92 MB.

Modo de acesso: World Wide Web.

Texto em português com resumo em inglês.

Dissertação (Mestrado) - Universidade Tecnológica Federal do Paraná. Programa de Pós-Graduação em Engenharia Biomédica. Área de Concentração: Engenharia Biomédica, Curitiba, 2019.

Bibliografia: f. 49-53.

1. Engenharia biomédica - Dissertações. 2. Retinopatia diabética - Diagnóstico. 3. Rastreamento médico. 4. Oftalmoscopia. 5. Aplicativos móveis - Desenvolvimento. 6. Aprendizado do computador. 7. Processamento de imagens - Técnicas digitais. 8. Lentes - Avaliação. 9. Imagens e fantasmas (Radiologia) - Testes. 10. Redes neurais (Computação). 11. Interface de programas aplicativos (Software). 12. Inteligência artificial. 13. Software - Validação. I. Stebel, Sérgio Leandro, orient. II. Universidade Tecnológica Federal do Paraná. Programa de Pós-graduação em Engenharia Biomédica. III. Título.

CDD: Ed. 23 -- 610.28

Biblioteca Central do Câmpus Curitiba - UTFPR Bibliotecária: Luiza Aquemi Matsumoto CRB-9/794

(4)

Paraná

Diretoria de Pesquisa e Pós-Graduação

TERMO DE APROVAÇÃO DE DISSERTAÇÃO Nº132

A Dissertação de Mestrado intitulada “Proposta de Sistema de Baixo Custo para Triagem de Pacientes com Retinopatia Diabética”, defendida em sessão pública pelo candidato Lucas Vieira Werner, no dia 29 de outubro de 2019, foi julgada para a obtenção do título de Mestre em Ciências, área de concentração Engenharia Biomédica, e aprovada em sua forma final, pelo Programa de Pós-Graduação em Engenharia Biomédica.

BANCA EXAMINADORA:

Prof. Dr. Sérgio Leandro Stebel - UTFPR

Prof. Dr. Deivisson Vianna Dantas dos Santos – UFPR Prof. Dr. Gustavo Benvenutti Borba - UTFPR

A via original deste documento encontra-se arquivada na Secretaria do Programa, contendo a assinatura da Coordenação após a entrega da versão corrigida do trabalho.

Curitiba, 29 de outubro de 2019.

(5)

(6)

(7)

WERNER, L. V. . PROPOSTA DE SISTEMA DE BAIXO CUSTO PARA TRIAGEM DE

PACIENTES COM RETINOPATIA DIABÉTICA. 68 f. Dissertação – Programa de Pós-graduação em Engenharia Biomédica, Universidade Tecnológica Federal do Paraná. Curitiba, 2020.

A Diabetes é uma importante doença mundial, com impactos principalmente para a atenção básica em saúde, que pode apresentar diversas complicações, dentre elas a retinopatia diabética. A retinopatia diabética é uma das principais causas de cegueira mundialmente. O diagnóstico de retinopatia diabética é feito por meio do exame de fundoscopia, mas o equipamento para realizar tal exame é de difícil acesso, especialmente em países menos desenvolvidos. Por isso, este trabalho tem como objetivo analisar e propor um sistema para triagem de pacientes com retinopatia diabética, usando imagens de fundo de olho obtidas por um telefone celular em conjunto com lentes. Foram analisadas lentes e métodos para obtenção da imagem do fundo de olho, além da análise das técnicas de aprendizagem de máquina e redes neurais para o processamento das imagens. Como resultados, a lente mais adequada foi a lente não acoplável VOLK 20 dioptrias. O método proposto para a aquisição das imagens, composto de uma estrutura física estável e móvel em todos os eixos, com presença de três variáveis (olho, lente e celular), foi desenvolvido por modelagem e impressão 3D. Para o processamento, foi escolhido o _{framework Tensorflow, comunidade muito ativa e seus bons resultados para imagens bidimensionais. Para a integração do sistema, um aplicativo móvel foi desenvolvido, a fim de realizar a interface entre a obtenção da imagem e a rede neural. Foram realizados testes em fantons, utilizando as imagens da base de dados EyePacs-1. Após o processamento, o sistema integrado retorna para o usuário, por meio do aplicativo, a probabilidade de existência de retinopatia diabética. Foi obtido um _{f-score de 0,64. Com isso, demonstra-se possível desenvolver triagem de retinopatia diabética, para uso na atenção básica em localidades com pouco acesso a cuidados oftalmológicos.

devido a sua}

um método de}

Palavras-chave_{: triagem médica, retinopatia diabética, tensorflow, fundoscopia, aprendizado} de máquina

(8)

WERNER, L. V. . PROPOSAL FOR A LOW COST SYSTEM FOR SCREENING

PATIENTS WITH DIABETIC RETINOPATHY. 68 f. Dissertação – Programa de Pós-graduação em Engenharia Biomédica, Universidade Tecnológica Federal do Paraná. Curitiba, 2020.

Diabetes is an important worldwide disease, with impacts mainly on primary health care, which can present several complications, among them diabetic retinopathy. Diabetic retinopathy is one of the leading causes of blindness worldwide. Diagnosis of diabetic retinopathy is done through fundus examination, but the equipment to perform such an examination is difficult to access, especially in less developed countries. Therefore, this study aims to analyze and propose methods for better screening for diabetic retinopathy, using background images taken by a cell phone in conjunction with lenses. Lenses and methods for obtaining the fundus image were analyzed, as well as the analysis of machine learning techniques and neural networks for image processing. As a result, the most suitable lens was the unattached VOLK 20 diopter lens. The proposed method for image acquisition, consisting of a stable and movable physical structure on all axes, with varying presence (eye, lens and cell), was developed by 3D modeling and printing. For processing, the Tensorflow was chosen because of its very active community and its good results for two-dimensional images. For the system integration, a mobile application was developed in order to interface between the image obtainment and the neural network. Phantom tests were performed using the images from the EyePacs-1 database. After processing, the integrated system returns to the user, through the application, the likelihood of the existence of diabetic retinopathy. An f-score of 0.64 was obtained. Thus, it is possible to develop a screening method for diabetic retinopathy, for use in primary care in locations with little access to eye care.

Keywords_{: medical screening, diabetic retinopathy, tensorflow, dilated fundus examination,} machine learning

(9)

–

FIGURA 1 Graus de Retinopatia Diab´etica . . . 19 –

FIGURA 2 Principais ´areas da IA na medicina . . . 20 –

FIGURA 3 Balanc¸o das vantagens e desvantagens da IA . . . 21 –

FIGURA 4 Técnica de obtenção de imagem de fundo de olho . . . 23 –

FIGURA 5 Fundo de olho obtido com lente de 20 dioptrias . . . 24 –

FIGURA 6 Estrutura de iluminac¸˜ao . . . 24 –

FIGURA 7 Imagens obtidas aplicando a t´ecnica . . . 25 –

FIGURA 8 Descrição da técnica . . . 26 –

FIGURA 9 Gr´afico de sensibilidade e 1- especificidade . . . 27 –

FIGURA 10 Divis˜ao da base de dados . . . 29 –

FIGURA 11 Demonstrac¸˜ao da amplitude de exame . . . 30 –

FIGURA 12 Demonstração da concatenação das imagens . . . 31 –

FIGURA 13 Etapas da criac¸˜ao do sistema . . . 32 –

FIGURA 14 Lentes testadas . . . 33 –

FIGURA 15 T´ecnica de exame para retinopatia . . . 34 –

FIGURA 16 Projeto da estrutura . . . 36 –

FIGURA 17 Suporte de queixo . . . 36 –

FIGURA 18 Rolamento na barra lisa . . . 37 –

FIGURA 19 Suporte de lente e celular . . . 38 –

FIGURA 20 Gr´afico comparativo do n´umero de forks no Github . . . 38 –

FIGURA 21 Divis˜ao da base de imagens . . . 39 –

FIGURA 22 Arquitetura do sistema . . . 41 –

FIGURA 23 Teste do sistema . . . 42 –

FIGURA 24 Tela da aplicac¸˜ao mobile . . . 42 –

FIGURA 25 Estrutura final do projeto . . . 44 –

FIGURA 26 Curva ROC . . . 45 –

(10)

–

TABELA 1 Distribuic¸˜ao da base de imagens . . . 28 –

TABELA 2 Matriz de confus˜ao . . . 44 –

(11)

DM Diabete Metilius DG Diabete Gestacional RD Retinopatia diab´etica ML Machine learning DL Deep learning

API Application Programming Interface TPU Poliuretano Termopl´astico

ABS Acrilonitrila Butadieno Estireno IA Inteligˆencia Artificial

(12)

1 INTRODUÇ ÃO . . . 13 1.1 MOTIVAÇ ÃO . . . 16 1.2 OBJETIVOS . . . 16 1.2.1 Objetivo Geral . . . 16 1.2.2 Objetivos Espec´ıficos . . . 17 1.3 ORGANIZAÇ ÃO DO TRABALHO . . . 17 2 FUNDAMENTAÇ ÃO TE ÓRICA . . . 18

2.1 RETINOPATIA DIAB ´ETICA . . . 18

2.2 RETINOPATIA DIAB ´ETICA E MACHINE LEARNING . . . 20

2.3 M ÉTRICAS PARA A AVALIAÇ ÃO DOS ALGORITMOS DE DETECÇ ÃO DE RD 22 2.4 TRABALHOS RELACIONADOS . . . 22

3 DESENVOLVIMENTO . . . 32

3.1 ESPECIFICAC¸ ˜AO DAS LENTES . . . 32

3.2 DESENVOLVIMENTO DA ESTRUTURA . . . 33

3.3 AN ´ALISE E CALIBRAGEM DA REDE NEURAL . . . 37

3.4 INTEGRAC¸ ˜AO DO SISTEMA . . . 39

3.5 RESULTADOS . . . 43

4 CONCLUS ˜AO . . . 47

4.1 TRABALHOS FUTUROS . . . 47

REFER ˆENCIAS . . . 49

Apˆendice A -- PARCIAL DO C ´ODIGO ANDROID . . . 54

(13)

1 INTRODUC¸ ˜AO

A diabetes mellitus (DM) é uma condição que constitui um importante problema na saúde pública, sendo uma prioridade para os sistemas de saúde mundiais. Ela é definida como uma doença crônica progressiva caracterizada por n´ıveis elevados de glicose no sangue, a qual ocorre pela não produção de insulina pelo pâncreas ou pela impossibilidade do organismo usar efetivamente a insulina produzida. A insulina é um hormônio constitu´ıdo por glicopept´ıdeos, a qual regula os n´ıveis de glicose no sangue (KASPER, 2017).

Mundialmente, estima-se que 430 milhões de adultos vivem com DM, em comparação com 108 milhões em 1980. De 2006 a 2016, a prevalência de DM aumentou mais rapidamente em pa´ıses de baixa e média renda do que em pa´ıses de alta renda. Esse fato pode ser explicado por mudanças populacionais e de estilo de vida, constitu´ıda por fatores como crescimento populacional, envelhecimento, dietas não saudáveis, obesidade e sedentarismo. Além da alta morbidade, a DM é também associada a uma alta mortalidade. Estimou-se 3,7 milhões de mortes mundialmente relacionadas direta ou indiretamente com a DM no ano de 2012. Quarenta e três por cento dessas 3,7 milhões de mortes ocorrem antes dos 70 anos de idade, essa proporção sendo maior em pa´ıses de baixa e média renda do que em pa´ıses de alta renda (WORLD HEALTH ORGANIZATION B, 2016).

A DM e suas complicações trazem perdas econômicas substanciais para as pessoas com DM e seus familiares, aos sistemas de saúde e à economia dos pa´ıses propriamente dita. Essas perdas econômicas podem ser medidas por meio de custos médicos diretos, custos indiretos associados à perda de produtividade, mortalidade prematura e impacto negativo da DM no Produto Interno Bruto (PIB) das nações (WORLD HEALTH ORGANIZATION B, 2016).

Os custos médicos diretos associados a DM incluem gastos para prevenir e tratar a DM e suas complicações como atendimento ambulatorial e de emergência, internação hospitalar, medicamentos, suprimentos médicos (dispositivos de injeção e equipamentos de auto-monitoramento) e cuidados de longa duração (WORLD HEALTH ORGANIZATION B, 2016).

Estima-se que o custo anual direto da DM para o mundo seja superior a 827 bilhões de dólares (ZHOU et al., 2016) (SEURING; ARCHANGELIDI; SUHRCKE, 2015). A Federação Internacional de Diabetes (FID) estima que o gasto total global em saúde com a DM mais do que triplicou no per´ıodo de 2003 a 2013, resultado do aumento do número de pessoas com DM

(14)

e aumento nos gastos per capita com DM (INTERNATIONAL DIABETES FEDERATION, 2019).

A DM é classificada em Tipo 1, Tipo 2, Diabetes Gestacional (DG) e tipos espec´ıficos. A DM Tipo 1 é caracterizada pela produção deficiente de insulina e é mais comum em crianças e jovens. Sua causa ainda é desconhecida, possui provável etiologia auto-imune e atualmente não é evitável. Os principais sintomas incluem poliúria (aumento da quantidade de urina com micção excessiva), polidipsia (aumento da sede), polifagia (aumento da fome) e perda de peso (WORLD HEALTH ORGANIZATION A, 2019).

A DM Tipo 2 é caracterizada pela incapacidade do organismo em utilizar a insulina produzida pelo pâncreas. Esse tipo é responsável por cerca de 90% das pessoas com DM em todo o mundo. Os sintomas podem ser semelhantes aos sintomas da DM Tipo 1, mas menos intensos ou os pacientes podem ser assintomáticos. A DM Tipo 2 era geralmente vista apenas em adultos, porém com o aumento da incidência de dietas não saudáveis, obesidade e sedentarismo, principalmente em crianças, começou a ocorrer também nessa faixa etária (WORLD HEALTH ORGANIZATION A, 2019).

O DG é uma condição temporária que ocorre na gravidez e que aumenta o risco de posterior desenvolvimento de DM Tipo 2. Mulheres com DG possuem risco aumentado de complicações durante a gravidez e parto, bem como maiores chances de complicações para seus bebês. O diagnóstico de DG é realizado por meio de triagem pré-natal (WORLD HEALTH ORGANIZATION A, 2019).

Os fatores de risco para o desenvolvimento da DM Tipo 1 ou Tipo 2 variam. Para a DM Tipo 1, como a etiologia exata é desconhecida, entende-se que a doença resulta de uma complexa interação entre genes e fatores ambientais, embora nenhum fator ambiental causal espec´ıfico tenha sido isolado. Para a DM Tipo 2, os fatores de risco são mais claros e são determinados por uma interação de fatores genéticos e metabólicos. Os principais fatores de risco para a DM Tipo 2 são: etnia, história familiar de DM, DG prévia, idade avançada, sobrepeso e obesidade, dieta não saudável, sedentarismo e tabagismo. Excesso de peso e obesidade, juntamente com sedentarismo, são os fatores de risco mais importantes na DM Tipo 2 (FOROUZANFAR et al., 2015).

Quando a DM não é bem manejada, surgem complicações para o paciente, as quais contribuem significativamente para a mortalidade, custos e má qualidade de vida. As complicações são classificadas em microvasculares e macrovasculares. As complicações macrovasculares são causadas pelos n´ıveis elevados de glicose no sangue, os quais lesam o endotélio dos grandes e médios vasos, desencadeando o processo de aterosclerose, com

(15)

o consequente aparecimento de doenças como doença arterial coronariana, infarto agudo do miocárdio, acidente vascular encefálico, doença arterial obstrutiva periférica, entre outras. A doença arterial coronariana e o infarto agudo do miocárdio constituem a principal causa de morte em pacientes diabéticos (KASPER, 2017)(WORLD HEALTH ORGANIZATION A, 2019).

As complicações microvasculares aparecem quando os elevados n´ıveis de glicose no sangue lesam os microvasos, principalmente os localizados nos rins, nervos e olhos. A neuropatia diabética é uma importante causa de úlceras em membros inferiores, que podem resultar em infecções e amputações. A nefropatia diabética está entre as principais causas de insuficiência renal mundialmente e a retinopatia diabética (RD) se configura como uma das mais importantes causas de cegueira e deficiência visual no mundo (KASPER, 2017)(WORLD HEALTH ORGANIZATION B, 2019).

A RD causa alterações progressivas nos vasos sangu´ıneos do olho, podendo ser classificada em graus de evolução. Para a RD ser diagnosticada, é necessário o exame de fundo de olho, o qual muitas vezes se encontra indispon´ıvel em localidades remotas e carentes, além de possuir alto custo. Com a evolução tecnológica, novas formas de diagnóstico estão sendo desenvolvidas, utilizando principalmente lentes ópticas e técnicas computacionais.

Um exemplo de técnica computacional utilizada para esse fim é o Machine Learning (ML). A área de atuação do ML vem ganhando cada vez mais atenção, tanto na academia quanto em empresas privadas. De acordo com o relatório da McKinsey, mais de uma dúzia de bancos europeus mudaram de abordagens de modelagem estat´ıstica para tecnologia de ML e, em alguns casos, aumentaram as vendas de novos produtos em até 20% (SCHRIMPF, 2016).

As técnicas de ML podem ser usadas em vários dom´ınios. Gigantes da tecnologia, como o Facebook, constroem seus produtos em torno do ML: por exemplo, criando álbuns de fotos de grupos privados, baseados no reconhecimento facial com redes neurais convolucionais (ESTEVA et al., 2017). O ML também pode ser usado no dom´ınio da medicina e, especificamente, pode ser usado para detectar sinais de RD a partir de imagens de fundoscopia.

O ML pode ser definido como o conjunto de técnicas que proporciona aos computadores a habilidade de aprender sem serem explicitamente programados (SIMON, 2013). Para isso, são constru´ıdos algoritmos que operam a partir de dados de entrada e que, a partir deles, conseguem tomar decisões automatizadas, sem necessidade de programação computacional prévia para tal (KOHAVI; PROVOST, 1998).

(16)

1.1 MOTIVAC¸ ˜AO

A DM é uma condição de alta prevalência, com grande impacto sócio-econômico mundialmente e, por isso, torna-se de grande importância para os cuidados da atenção básica. Discorre o Ministério da Saúde (2011) sobre a atenção básica:

Atenção Básica caracteriza-se por um conjunto de ações de saúde, no âmbito individual e coletivo, que abrange a promoção e a proteção da saúde, a prevenção de agravos, o diagnóstico, o tratamento, a reabilitação, redução de danos e a manutenção da saúde com o objetivo de desenvolver uma atenção integral que impacte na situação de saúde e autonomia das pessoas e nos determinantes econdicionantes de saúde das coletividades. É desenvolvida por meio do exerc´ıcio de práticas de cuidado e gestão, democráticas e participativas, sob forma de trabalho em equipe, dirigidas a populações de territórios definidos, pelas quais assume a responsabilidade sanitária, considerando a dinamicidade existente no território em que vivem essas populações. Utiliza tecnologias de cuidado complexas e variadas que devem auxiliar no manejo das demandas e necessidades de saúde de maior frequência e relevância em seu território, observando critérios de risco, vulnerabilidade, resiliência e o imperativo ético de que toda demanda, necessidade de saúde ou sofrimento devem ser acolhidos.

Como a atenção básica se refere a um n´ıvel de atenção de saúde que possui como objetivo o cuidado integral e atendimento de um maior número poss´ıvel da população, ela se beneficia de inovações tecnológicas de baixo custo que favorecem a identificação e solução de problemas. Nesse contexto, a DM é uma condição importante para a saúde pública, já que é responsável por complicações ligadas a altas taxas de morbi-mortalidade, um exemplo disso é a RD.

A RD, especificamente, é uma importante complicação responsável por cegueira no adulto. O diagnóstico da RD é realizado por meio de exames de fundoscopia, os quais dependem de equipamentos de alto custo e de pouca disponibilidade em pa´ıses menos desenvolvidos e em localidades remotas. Para isso, foi proposto o desenvolvimento de um sistema de baixo custo para auxiliar na triagem de RD.

1.2 OBJETIVOS

1.2.1 OBJETIVO GERAL

Desenvolver um sistema de baixo custo para auxiliar na triagem de retinopatia diab´etica em localidades com dif´ıcil acesso a cuidados oftalmol´ogicos.

(17)

1.2.2 OBJETIVOS ESPEC´IFICOS

• Avaliar lentes para acoplar no smartphone para a aquisic¸˜ao de imagens de fundo de olho;

• Calibrar rede neural para detecc¸˜ao de RD;

• Desenvolver um aplicativo de smartphone para a automatizac¸˜ao da triagem da RD;

• Validar o sistema de aquisic¸˜ao de imagens de fundo de olho utilizando testes em fantons.

1.3 ORGANIZAC¸ ˜AO DO TRABALHO

Esta dissertação foi dividida em quatro cap´ıtulos, o cap´ıtulo 1 referente à introdução, motivação do trabalho e objetivos, com a contextualização geral sobre o que é a DM, seu impacto e complicações, em especial a RD, como ela é diagnosticada e como técnicas de ML podem ser utilizadas para aux´ılio do seu diagnóstico.

O cap´ıtulo 2 discorre sobre o estado da arte e a interligação entre RD e ML, com o detalhamento da RD e de trabalhos relacionados ao uso de ML para o diagnóstico de RD. O cap´ıtulo 3 refere-se ao desenvolvimento em si do projeto, o qual é composto pelas etapas de especificação das lentes, desenvolvimento da estrutura, análise e calibragem da rede neural, integração do sistema e resultados. O cap´ıtulo 4 discorre sobre a conclusão e os trabalhos futuros.

(18)

2 FUNDAMENTAÇ ÃO TE ÓRICA

2.1 RETINOPATIA DIAB ´ETICA

A RD é uma complicação microvascular da DM, a qual afeta os vasos sangu´ıneos do olho. Conforme a doença avança, os n´ıveis de glicose ficam permanentemente elevados e se inicia a lesão dos vasos da retina. Esses vasos tornam-se incontinentes e liberam sangue ou fluido sangu´ıneo para o espaço retiniano ou v´ıtreo, causando problemas de visão (HAMMES, 2018). A RD pode causar perda de visão por meio de dois mecanismos fisiopatológicos:

• Formação de neovasos: os neovasos são vasos sangu´ıneos anormais que se formam na retina, porém são vasos frágeis que se rompem facilmente e liberam sangue para dentro da cavidade v´ıtrea, obscurecendo ou mesmo impedindo a visão. Isso geralmente ocorre nos estágios posteriores da doença;

• Sangue na região macular: o fluido sangu´ıneo pode passar para a região macular (região da retina que corresponde à visão central), causando edema e, consequentemente, perda de visão. Esse mecanismo fisiopatológico pode ocorrer em qualquer fase da RD, embora seja mais provável que ocorra em estágios avançados da doença.

A RD surge depois de alguns anos de doença e pode ocorrer tanto em DM tipo 1 ou DM tipo 2, porém geralmente manifesta-se mais cedo em DM tipo 1 do que em DM tipo 2. A RD não depende apenas dos valores de glicose no sangue, mas também de outros fatores, como hipertensão, hipercolesterolemia, tabagismo e outro extremamente importante, que é o fator genético, ou seja, o hereditário (HAMMES, 2018).

(19)

Figura 1: Figura esquem´atica dos graus de retinopatia diab´etica por meio de retnografia.

Fonte: GONC¸ ALVES (2010).

O exame mais comum para o diagnóstico de RD é o exame de fundoscopia, também chamado de exame de fundo de olho. A fundoscopia pode ser realizada por um médico generalista, com objetivo principal de triar pacientes diabéticos que possam ter a doença ou também pode ser realizada por um médico oftalmologista especialista, o qual além de triar, é o profissional mais capacitado para realizar o manejo da RD (DUKER; YANOFF, 2011).

Para realizar o exame de RD é necessário que a pupila do paciente esteja dilatada e essa dilatação geralmente é feita por meio de col´ırios midriáticos, ou seja, col´ırios dilatadores da pupila. Com o exame, é poss´ıvel observar anomalias vasculares, hemorragias, pequenos aneurismas, presença de neovasos, entre outras alterações. Outros exames complementares também podem ser usados para a diagnóstico, seguimento ou maior detalhamento da RD. Esses outros exames incluem a Retinografia, a Tomografia de Coerência Óptica (TCO), a qual avalia as estruturas do fundo do olho e a Angiografia Retiniana (AR), que avalia o interior do globo ocular, especialmente os vasos sangu´ıneos e o nervo óptico (MARTÍNEZ-VIZCAÍNO et al., 2016).

Existem dois tipos de fundoscopia: direta e indireta. A fundoscopia direta é realizada por meio de um oftalmoscópio direto, o qual obtém uma imagem com aumento de 15 vezes, porém possui um menor campo de visão. A fundoscopia indireta é realizada por meio de um oftalmoscópio indireto ou binocular, o qual gera imagens com menor aumento, porém permite um maior campo de visão, mostrando-se melhor para detectar alterações focais e generalizadas de retina (DUKER; YANOFF, 2011).

(20)

O exame de fundoscopia oferece a possibilidade de um diagnóstico precoce da RD. No entanto, o equipamento muitas vezes não está dispon´ıvel, especialmente para pa´ıses menos desenvolvidos e localidades remotas. Além disso, a fundoscopia é um exame que exige treinamento prévio por parte do profissional, o que limita a quantidade de profissionais aptos a realizar o exame. Por esses motivos, técnicas diagnósticas alternativas são usadas. Um exemplo é uso de smartphones em combinação com lentes espec´ıficas, aliadas à técnicas computacionais.

2.2 RETINOPATIA DIAB ´ETICA E MACHINE LEARNING

Inteligência artificial (IA) é o termo usado para descrever o uso de computadores e tecnologia para simular um comportamento inteligente e pensamento cr´ıtico comparável a um ser humano. John McCarthy descreveu o termo IA pela primeira vez em 1956, como a ciência e a engenharia de fabricação de máquinas inteligentes. Dentro da grande área da IA existem várias áreas de aplicabilidade, como mostrado no artigo de Amisha et al. (2019). O estudo levou em conta publicações da plataforma Pubmed e buscas do site de busca Google, e encontrou as 9 principais áreas de pesquisa dentro da medicina, como ilustrado na Figura 2.

Figura 2: Principais ´areas da IA na medicina.

Fonte: Adaptado de AMISHA et al.(2019).

O estudo também debateu as principais vantagens e desvantagens dessas pesquisas na área médica, ilustrado na Figura 3.

(21)

Figura 3: Balanc¸o das vantagens e desvantagens da IA.

(22)

Como conclusão, apesar dos estudos ainda serem novos em diversas áreas, o futuro da medicina é altamente ligado com IA.

2.3 M ÉTRICAS PARA A AVALIAÇ ÃO DOS ALGORITMOS DE DETECÇ ÃO DE RD

Existem diversas maneiras de se medir a eficiˆencia de um algoritmo, dentre as t´ecnicas exite a analise de curvas ROC.

Um gráfico de caracter´ısticas operacionais do receptor (ROC) é uma técnica para visualizar, organizar e selecionar classificadores com base em seu desempenho(FAWCETT, 2005), onde nos seus eixos correspondem a taxas de acerto e taxas de falso alarme de classificadores

2.4 TRABALHOS RELACIONADOS

Existem diversos trabalhos relacionados ao tema detecção RD e técnicas de exame de fundo de olho em localidades remotas, cada qual com sua metodologia para obtenção das imagens, técnicas de ML e base de dados utilizadas.

O trabalho de Furdova, Furdova e Krcmery (2017) realizou a análise de 241 pacientes com a utilização de apenas uma lente de 20 dioptrias, um smartphone com 4.2 megapixels e uma luz de LED. Essa técnica é uma alternativa para análise de fundo de olho em regiões remotas, sendo que desses 241 pacientes, 141 deles eram homens e 100 eram mulheres. As principais alterações encontradas foram catarata e tracoma. A técnica desenvolvida pelo estudo está ilustrada nas Figuras 4 e 5.

Quando havia dúvida nas alterações encontradas, os médicos generalistas entravam em contato via e-mail com um especialista, enviavam uma foto e aguardavam seu parecer. O artigo concluiu que com o uso de smartphone e uma lente Volk 20 dioptrias era poss´ıvel obter uma imagem final de alta qualidade e reprodutibilidade.

(23)

Figura 4: Técnica de obtenção de imagem de fundo de olho.

Fonte: FURDOVA, FURDOVA e KRCMERY (2017).

No artigo de Shanmugam et al. (2014), devido à dificuldade de obtenção da imagem, o autor adicionou uma luz de LED externa, para melhor iluminação, pois quanto mais próximo o emissor de luz estiver do receptor (câmera), melhor é a captação da imagem. A estrutura de iluminação está ilustrada na Figura 6. Uma limitação destacada pelo autor é referente à poss´ıvel inabilidade para a captura da imagem, já que, para a captação, a lente, celular e olho devem estar completamente alinhados e com as distâncias corretas entre si. As imagens obtidas nesse estudo estão ilustradas na Figura 7.

(24)

Figura 5: Fundo de olho obtido com lente de 20 dioptrias.

Fonte: FURDOVA, FURDOVA e KRCMERY (2017).

Figura 6: Estrutura de iluminac¸˜ao.

Fonte: SHANMUGAM et al. (2014).

No artigo Roychowdhury, Koozekanani e Parhi (2014), os autores fizeram uma análise de várias metodologias de classificação de RD como Classificador Gaussiano, análise por vetor

(25)

Figura 7: Imagens obtidas aplicando a t´ecnica.

Fonte: SHANMUGAM et al. (2014).

e AdaBoost. Foram utilizadas 2 bases de dados, DIARETDB1 e DIARETDB2 e a técnica proposta pelos autores consistiu em três passos. No primeiro passo, foi realizada a segmentação, separando o fundo dos objetos de interesse da imagem. O que foi considerado como fundo da imagem corresponde às vascularizações da retina e os objetos de interesse correspondem a regiões brilhantes que podem representar lesões.

No segundo passo, foi realizada a classificação das regiões de poss´ıvel lesão, na qual são duas as possibilidades de lesões: lesões brilhantes e lesões vermelhas. Dentro de cada uma delas, a partir do algoritmo, é identificado se o padrão da imagem corresponde a uma lesão ou não. No terceiro passo, após a identificação e a classificação da poss´ıvel lesão, as lesões foram enquadradas nos critérios de gravidade da RD. O processo completo está ilustrado na Figura 8. Como resultado, foi encontrado um f-score de 0,904 para a detecção e graduação de gravidade da RD.

(26)

Figura 8: Descrição da técnica.

Fonte: Adaptado de Roychowdhury, Koozekanani e Parhi (2014).

No artigo de Gulshan et al. (2016), os autores aplicaram técnicas de ML para a detecção de RD. Para o treinamento da rede neural, foram usados 128.175 imagens, catalogadas por 54 oftalmologistas. O artigo concluiu que, dependendo da base de treino, é poss´ıvel chegar a bons resultados. Com o f-score de 0,95 obtido pela técnica apresentada no estudo, baseado na sensibilidade e especificidade ilustradas na Figura 9, em comparação ao f-score de 0,91 obtido por médicos de média senioridade.

(27)

Figura 9: Gr´afico de sensibilidade e 1- especificidade.

Fonte: Adaptado de GULSHAN et al. (2016).

O artigo de Krause et al. (2018), baseou-se no artigo de Gulshan et al. (2016), obtendo uma melhora dos resultados do algoritmo, devido ao aumento do número de imagens de treino e de refinamento, dentro da base de dados utilizada. Com isso, obteve-se um aumento do f-score de 0,95 para 0,98. A distribuição da base de imagens está ilustrada na Tabela 1.

Existem também outras abordagens para a detecção de RD, como demonstrado no artigo de Ogunyemi e Kermah (2015), no qual os autores utilizam-se de outros dados do paciente que não a imagem de fundo de olho, como idade, etnia, tabagismo, presença de doença vascular periférica, hipertensão, neuropatia, depressão, dislipidemia, insulinoterapia, uso de medicamentos cont´ınuos, entre outros. O algoritmo foi testado em bases de dados privadas próprias e a base EyePACS-2 que é pública. Foi verificado um melhor resultado com as bases de dados privadas, obtendo-se um f-score de 0,72.

Outro trabalho que segue a mesma abordagem do estudo de Ogunyemi e Kermah (2015) é o estudo de Voets, Møllersen e Bongo (2019), o qual utiliza informações cl´ınicas

(28)

Tabela 1: Distribuic¸˜ao da base de imagens.

Fonte: Adaptado de KRAUSE et al. (2018).

e laboratoriais dos pacientes para predizer a RD. O estudo encontrou, por meio de técnicas de ML, os principais fatores predisponentes da RD, que foram o uso de insulina e anos de evolução da doença. Após a detecção, a base foi novamente separada, a fim de se obter um melhor refinamento, como ilustrado na Figura 10. O f-score obtido foi de 0,83.

(29)

Figura 10: Divis˜ao da base de dados.

Fonte: Adaptado de Voets, Møllersen e Bongo (2019).

O artigo de Takahashi et al. (2017) utilizou técnicas de DL para realizar a detecção e graduação de RD, com objetivo de estratificar os graus de RD para o direcionamento do tratamento. O exame de fundo de olho clássico captura apenas parte do total do fundo de olho, correspondendo apenas a uma parcela de 45 graus, fato esse que pode limitar a área de detecção de alterações relativas à RD. O artigo de Takahashi et al. (2017), propôs um modelo de composição de imagens a partir de capturas múltiplas, de diferentes ângulos, o que permite um aumento de área analisada para além de apenas 45 graus. Essa abordagem permite a detecção de poss´ıveis lesões de RD que não são comumente detectadas pelo exame de fundo de olho tradicional, como ilustrado na Figura 11.

(30)

Figura 11: Demonstrac¸˜ao da amplitude de exame.

Fonte: Adaptado de TAKAHASHI et al. (2017).

Com o aux´ılio da rede neural GoogLeNet, os autores realizaram a concatenação das imagens obtidas nos múltiplos ângulos, como ilustrado na Figura 12. Foi usada uma base de imagens com 9.939 fotos de fundo de olho, de um total de 2.740 pacientes. O modelo foi treinado com a rede neural GoogLeNet, das 9.939 fotos de fundo de olhos, foram classificadas 4.709 imagens, nas quais 95% dessas imagens classificadas foram usadas para treinamento da rede neural e 5% para teste. O artigo de Takahashi et al. (2017) utilizou a Classificação de Davis e foi atingido um f-score de 0,64 para detecção e graduação de RD.

(31)

Figura 12: Demonstração da concatenação das imagens.

(32)

3 DESENVOLVIMENTO

Essa dissertação tem como objetivo propor e analisar métodos para o desenvolvimento de um sistema de triagem de RD, usando imagens de fundo de olho obtidas por um telefone celular, em conjunto com lentes. Para isso, o trabalho foi dividido em quatro etapas, como ilustrado na Figura 13.

Figura 13: Etapas da criac¸˜ao do sistema.

Fonte: Autoria pr´opria.

A etapa 1 correspondeu à especificação das lentes e a etapa 2 consistiu no desenvolvimento da estrutura f´ısica do projeto para a obtenção das imagens. Na etapa 3, foi realizada a análise e calibragem da rede neural a ser utilizada para o processamento das imagens. A etapa 4 correspondeu à integração do sistema. Com isso, o método consistiu em obter a imagem do fundo de olho, a qual foi então enviada para um servidor, usando uma Application Programming Interface(API), para posterior processamento. O processamento foi realizado por meio de uma rede neural treinada. Após o processamento da imagem, a rede neural retornou o resultado da triagem para a RD.

3.1 ESPECIFICAC¸ ˜AO DAS LENTES

Para a obtenc¸˜ao das imagens, foram analisadas seis lentes, descritas a seguir e ilustradas na Figura 14.

(33)

Figura 14: Lentes testadas.

a) Lente de vidro ´optico Leory 32 dioptrias;

b) Lente ´otica acr´ılica Lorben 240 dioptrias;

c) Lente de vidro ´optico APEXEL 32 dioptrias;

d) Lente acr´ılica ´optica AUKEY de 120 dioptrias;

e) Lupa profissional com lentes ´opticas de 20 dioptrias;

f) Lente de vidro ´optico com revestimento anti-reflexo BBAR VOLK 20 dioptrias.

Entre as lentes, existem duas categorias: acopláveis e não acopláveis. As lentes acopláveis, representadas pelas lentes A, B, C e D, são acopladas à câmera do celular e são utilizadas próximas ao olho do paciente. As lentes não acopláveis, representadas pelas lentes E e F, são posicionadas a aproximadamente 3 a 5 cent´ımetros do olho do paciente, e o celular, junto com a luz LED ativada, é posicionado a aproximadamente 30 cent´ımetros da lente. O celular usado para obter as imagens foi um Xiaomi Redmi 4A, com uma câmera de 13 megapixels (4160 x 3120).

3.2 DESENVOLVIMENTO DA ESTRUTURA

Após a especificação das lentes, iniciou-se o desenvolvimento da estrutura para a aquisição das imagens. Primeiramente, a obtenção da imagem foi realizada com o aux´ılio de fantons, a fim de simular um paciente deitado em um quarto escuro. O examinador foi posicionado em pé, com a mão dominante segurando a lente e a mão não dominante segurando o aparelho celular, do mesmo modo como proposto do artigo de Shanmugam et al. (2014),

(34)

ilustrado na Figura 15. As distˆancias necess´arias, descritas acima, entre o fantom representando o olho, a lente e o aparelho celular, foram respeitadas.

Figura 15: Imagem da t´ecnica.

(35)

Essa técnica para obtenção de imagens se mostrava não adequada devido às variáveis olho, celular e lente não estarem estabilizadas. Como o correto posicionamento desses elementos era imprescind´ıvel, foi optado pela criação e desenvolvimento de uma estrutura f´ısica personalizada, estável, móvel em todos os eixos, feita por meio de modelagem 3D e impressão 3D, para a obtenção das imagens.

A Modelagem 3D é o processo de desenvolvimento de uma representação matemática de qualquer superf´ıcie de um objeto (seja inanimado ou vivo) em três dimensões, através de um software especializado. O modelo pode ser representado por meio de uma imagem bidimensional ou usado em uma simulação computacional. A modelagem 3D é usada em vários setores, como filmes, animações e jogos, design de interiores, arquitetura, medicina e engenharias em geral. O modelo também pode ser criado fisicamente usando dispositivos de impressão 3D (MASSIE, 1998). A impressão 3D é a tecnologia de fabricação na qual um objeto tridimensional é criado, por deposição ou construção, a partir de camadas sucessivas de material (MICHALSKI, 2014).

Para a arquitetura da estrutura f´ısica foi utilizado o princ´ıpio de navegação em x, y, z, a fim de se alcançar uma melhor mobilidade. Para isso, a estrutura foi modelada utilizando o software Blender v2.79b e criada a partir de impressões 3D, barras roscadas e barras lisas. A estrutura apresentou em seu comprimento duas barras lisas de um metro cada uma para a profundidade, quatro barras roscadas de 40 cm juntamente com porcas para a navegação na altura e seis barras lisas de 40 cm para a navegação lateral.

Todas as barras foram presas com peças projetadas no software Blender v2.79b e impressas com impressão 3D. Para a imobilização do paciente, foi modelado e impresso um suporte para o queixo do paciente, utilizando o filamento em Poliuretano Termoplástico (TPU) para maior conforto e todas as peças de fixação foram impressas utilizando o filamento em Acrilonitrila Butadieno Estireno (ABS). A estrutura projetada está ilustrada na Figura 16 e o suporte para o queixo do paciente está ilustrado na Figura 17.

(36)

Figura 16: Projeto da estrutura.

Figura 17: Suporte de queixo.

Para a melhor navegac¸˜ao das barras lisas, foram adicionados rolamentos lineares, ilustrados na Figura 18.

Foram criados suportes para a maior estabilidade da lente e do celular, como ilustrado na Figura 19.

(37)

Figura 18: Rolamento na barra lisa.

3.3 AN ´ALISE E CALIBRAGEM DA REDE NEURAL

Para a construção do sistema de processamento das imagens de fundo de olho, feito a partir de técnicas de ML, foram necessários insumos tecnológicos como sistemas operacionais, linguagens computacionais e frameworks. Para a escolha do framework mais adequado para o processamento da rede neural necessária para realizar a detecção da RD, foram analisados diversos frameworks, usando como base o estudo de Schrimpf et al. (2016). Esse estudo demonstrou que, para o processamento bidimensional de imagens, o TensorFlow mostrou um melhor resultado. O TensorFlow também força o código a ser mais estruturado, reduzindo os erros (SCHRIMPF, 2016).

Além disso, o TensorFlow tem uma comunidade muito ativa, com mais de 70.000 forksno GitHub e também uma forte tendência de busca no Google, a qual está ilustrada na Figura 20. Por essas razões, o TensorFlow foi escolhido para ser utilizado para o processamento das imagens bidimensionais de fundo de olho.

(38)

Figura 19: Suporte de lente e celular.

Figura 20: Gr´afico comparativo do n ´umero de forks no Github

Fonte: SCHRIMPF et al. (2016)

Após a escolha do Tensorflow como framework de ML, foi realizado o treinamento da rede neural. Para o treinamento, foi utilizada a base EyePACS-1, a qual consiste em um conjunto de imagens de alta resolução de retinas de olhos esquerdos e direitos, tiradas sob uma variedade de condições de imagem. As imagens da base são identificadas com um identificador

(39)

único e se pertencem ao olho esquerdo ou direito. Além disso, a base EyePACS-1, já possui o rótulo de presença e de grau de RD.

A base de dados EyePACS-1 possui um total de 128.175 imagens e foram escolhidas aleatoriamente 3.800 imagens, já com suas respectivas classificações de gravidade, para serem utilizadas. As 3.800 imagens foram divididas em 3.200 imagens para treino da rede neural e 600 imagens para os testes do sistema. A divisão da base de imagens encontra-se ilustrada na Figura 21.

Figura 21: Divis˜ao da base de imagens.

3.4 INTEGRAC¸ ˜AO DO SISTEMA

Para o desenvolvimento do sistema, foram utilizados o sistema operacional Android, as linguagens computacionais Java e Python, o protocolo Json e o framework TensorFlow.

O Android é um sistema operacional de código aberto para dispositivos móveis, aliado a um projeto de código aberto correspondente, liderado pela empresa Google. Esse sistema operacional permite a criação de produtos de consumo, como por exemplo aplicativos, com código-fonte personalizável, o qual pode ser transferido para praticamente qualquer dispositivo, com documentação pública dispon´ıvel (ANDROID, 2019).

(40)

O Java é uma linguagem de programação orientada a objetos, a qual possui compilação por meio de uma máquina virtual, diferentemente das linguagens de programação modernas. O Java é a base para praticamente todos os tipos de aplicações em rede e é o padrão global para o desenvolvimento e distribuição de aplicações móveis e incorporadas, jogos, conteúdos baseados na Web e softwares em geral (JAVA, 2019).

O Python é uma linguagem de programação, lançada em 1991, com atual desenvolvimento open source. Suas principais caracter´ısticas são a sintaxe concisa de fácil leitura e entendimento, biblioteca de alto padrão e presença de frameworks desenvolvidos no modelo open source. Suas principais aplicações se dão para o processamento de dados e textos, desenvolvimento de softwares e aplicativos (PYTHON, 2019).

O Json, um acrônimo de JavaScript Object Notation, o qual corresponde a um formato compacto, de padrão aberto independente, de troca de dados simples e rápida entre sistemas, que pode ser utilizada para otimizar aplicações (JSON, 2019).

Para realizar a conexão entre a captura da imagem de fundo de olho e a rede neural fez-se necessário a criação de uma interface por meio de um aplicativo para dispositivo móvel. O sistema operacional usado no dispositivo móvel foi a versão 8.0 do Android e o aplicativo móvel usou a versão 9.0.1 da linguagem Java.

A API utilizou o protocolo Json, cujo servidor http foi o Nginx versão 1.6.2., o qual combinado com o Gunicorn, versão 19.7.1, possibilitou a compatibilidade com a linguagem Python, utilizada no servidor. Em relação ao servidor, o JavaScript foi utilizado para receber e processar os dados. Em seguida, a imagem foi processada em uma rede neural feita com o TensorFlowversão 1.5, o qual usa a linguagem Python versão 3.0.

A rede neural utilizada foi treinada usando o conjunto de dados EyePACS-1, que corresponde a um banco de imagens de olhos saudáveis e olhos com RD. Após o processamento, o sistema retornou à aplicação a probabilidade de o paciente ter RD. A estrutura do projeto é ilustrada na Figura 22.

(41)

Figura 22: Arquitetura do sistema.

A fim de testar o sistema por completo, foram realizados testes em um ambiente de simulação, utilizando um sistema de fantom para representar o fundo de olho a ser analisado. Para a realização do teste do sistema, foi utilizado um aparelho celular para representar o olho humano, no qual as imagens representadas correspondiam à base de imagens EyePACS-1. Dessa base, foram selecionadas 300 imagens previamente catalogadas em imagens de fundo de olho com RD e 300 imagens de fundo de olho sem RD.

A partir disso, o aplicativo realizava a captura da imagem de fundo de olho, a qual era enviada para o servidor para o processamento na rede neural. Após o término do processamento, o servidor retornava para o usuário, por meio do aplicativo, a probabilidade da existência da RD. A estrutura para a realização do teste foi ilustrada na Figura 23 e a aplicação mobile foi ilustrada na Figura 24.

(42)

Figura 23: Teste do sistema.

Figura 24: Tela da aplicac¸˜ao mobile.

(43)

3.5 RESULTADOS

Como resultados, foi escolhida a lente não acoplável F, a qual se tinha a melhor obtenção de imagens. Em seguida, foram testadas técnicas de aquisição de imagens e escolhido e implementado uma estrutura própria para obtenção e processamento das imagens. O método proposto constituiu em um sistema integrado, composto de software e estrutura f´ısica.

Após os testes em fantons, verificou-se que as lentes acopláveis não permitem um ajuste adequado do foco, o que resulta em uma imagem não adequada para o propósito do estudo. As lentes não acopláveis permitem o ajuste manual do foco, alterando a distância entre o fantom, representando o olho do paciente, e a lente. Quando comparado com as lentes E e F não acopláveis, um melhor resultado foi observado com a lente F, Volk 20D, devido ao seu material óptico de vidro e seu revestimento antirreflexo. Com isso, a lente F foi escolhida para obtenção das imagens de fundo do olho.

Ambos os estudos de Furdova, Furdova e Krcmery (2017) e de Shanmugam et al. (2014) usaram as lentes dióptricas VOLK 20 para obter imagens do fundo do olho, com resultados satisfatórios. Esse fato também contribuiu para a escolha da lente VOLK 20 ser utilizada neste projeto.

Em seguida, foi realizada a comparação das duas técnicas de aquisição de imagem: técnica referente ao artigo (SHANMUGAM et al., 2014) e o método próprio proposto. O método proposto foi constitu´ıdo de uma estrutura f´ısica personalizada, impressa com impressora 3D, móvel nos eixos x, y e z, contando com apoio para o queixo do paciente, apoio para lente e apoio para o celular. Verificou-se um melhor desempenho ao utilizar a estrutura do método próprio, pelo motivo de que todos os elementos (lente, celular e paciente) estavam estabilizadas. A estrutura final está ilustrada na Figura 25.

(44)

Figura 25: Estrutura final do projeto.

Em relação à análise dos frameworks de ML, o TensorFlow foi escolhido devido a sua forte comunidade e também por seu uso na detecção de RD em exames de fundo ocular que podem ser observados no artigo (GULSHAN et al., 2016).

Ap´os a escolha realizada em cada etapa, realizou-se o teste em fantom, usando a base EyePACS-1 com 600 imagens, sendo projetada em tela de celular, simulando o fundo de olho. O resultado do teste integrado est´a representado nas Tabelas 2 e 3 e na Figura 26.

Tabela 2: Matriz de confus˜ao.

x Ausente Presente

Negativo 212 56

Positivo 88 244

Tabela 3: Tabela de resultado.

Precis˜ao 0,73 Recall 0,81 F-Score 0,77

(45)

Figura 26: Curva ROC.

A captura da imagem com o sistema completo, rodando em fantom est´a ilustrado na Figura 27.

(46)

Figura 27: Teste do sistema.

O valor de F-score baixo encontrado nesse estudo deu-se pelo fato de que o treinamento e a validação da RN terem sido realizados em diferentes ambientes, sendo que o treinamento foi feito com imagens de fundoscopia e o teste prático ter sido realizado utilizando o sistema proposto. Assim, para um poss´ıvel melhoramento nos resultados, faz-se necessário uma melhora na captura das imagens.

(47)

4 CONCLUS ˜AO

A DM é uma condição muito prevalente, com importante impacto sócio-econômico mundialmente, principalmente na atenção básica da saúde pública, e é responsável por grandes números de complicações, a exemplo da RD. A RD por si só é uma importante causa de cegueira em adultos. O diagnóstico da RD é realizado por meio de exames de fundoscopia, os quais dependem de material adequado e de profissionais qualificados para realizá-los, o que resulta em dificuldades de acesso à fundoscopia em pa´ıses menos desenvolvidos e em localidades remotas. Para isso, foi proposto o desenvolvimento de um sistema para auxiliar na triagem de RD, com foco principal em seu uso na atenção básica.

O uso de smartphones com lentes acopladas para realizar um exame de fundo de olho é uma alternativa eficiente, de fácil acesso e barata. Essa técnica vem sendo cada vez mais utilizada, como demonstrado no estudo de Furdova, Furdova e Krcmery (2017) e o estudo de Shanmugam et al. (2014).

Por meio deste estudo, foi proposto um sistema de triagem para essa doença por meio do uso de aplicativos e lentes móveis apropriados, a fim de melhorar a acessibilidade dos pacientes a esse tipo de exame, principalmente a n´ıvel de atenção básica. O sistema de triagem foi composto de uma estrutura f´ısica e de um sistema integrado de software.

Uma limitação do trabalho está relacionada aos testes terem sidos realizados com fantons, o que acarretou uma redução de assertividade da RN, devido à RN ter sido treinada com imagens ideais. Apesar das limitações, este estudo demonstrou ser uma opção viável para melhorar a acessibilidade e detecção da RD em localidades remotas e com pouco acesso a cuidados oftalmológicos.

4.1 TRABALHOS FUTUROS

Para trabalhos futuros, alguns pontos devem ser abordados. Em relação à estrutura f´ısica, são necessários ajustes dimensionais relacionados aos eixos x, y e z, a fim de melhorar a mobilidade e reprodutibilidade da estrutura. Além disso, faz-se necessário a produção de um plano de montagem da estrutura para facilitar sua aplicabilidade na atenção primária. Outro ponto se relaciona com a necessidade de melhorar e refinar o treinamento da rede neural utilizada. Isso pode ser atingido por meio do treinamento da rede, utilizando como base de dados imagens de fundo de olho de pacientes reais, obtidas em programas de prevenção de RD,

(48)

realizados por meio de mutir˜oes, como o programa Retinopatia do Bem (2019), na cidade de Curitiba.

Um melhor treinamento da rede neural possui como objetivo alcançar um melhor f-score. Outra maneira de aumentar o f-score, refere-se à utilização de outros dados que não sejam apenas imagens de fundo de olho, como informações cl´ınicas e laboratoriais dos pacientes, para serem utilizados pelo sistema.

Além disso, mostrou-se necessário a implementação de um funcionamento offline do sistema, para facilitar a obtenção das imagens em localidades com acesso limitado à internet.

Como a RD possui uma classificação em graus bem definida e a escolha do tipo do tratamento depende do grau da classificação da RD, uma importante implementação para trabalhos futuros seria, após identificar a presença de RD na imagem, também já apresentar automaticamente o grau de RD encontrado na imagem analisada.

Por fim, realizar a implementação do sistema em localidades remotas. Para a realização da implementação do sistema são necessários alguns requisitos como treino da RN em pacientes reais, adequação da estrutura f´ısica para uma melhor experiência do usuário, identificação do perfil alvo de pacientes, escolha entre a esfera pública ou privada para a implementação do sistema e escolha das localidades prioritárias que possam se beneficiar com o sistema de triagem.

(49)

REFER ˆENCIAS

AMISHA et al. Overview of artificial intelligence in medicine. Journal Of Family Medicine And Primary Care, [s.l.], v. 8, n. 7, p.2328-2328, 2019. Medknow. http://dx.doi.org/10.4103/jfmpc.jfmpc 440 19.

ANDROID. About the Android Open Source Project. Dispon´ıvel em: <https://source.android.com/ >. Acesso em: 18 jul. 2019.

BENGIO, Y.. Learning Deep Architectures for AI. Foundations And Trends R In Machine Learning, [s.l.], v. 2, n. 1, p.1-127, 2009. Now Publishers. http://dx.doi.org/10.1561/2200000006.

DENG, Li. Deep Learning: Methods and Applications. Foundations And Trends R In Signal Processing, [s.l.], v. 7, n. 3-4, p.197-387, 2014. Now Publishers. http://dx.doi.org/10.1561/2000000039.

DUKER, Jay S.; YANOFF, Myron. Oftalmologia. 3. ed. Rio de Janeiro: Elsevier Brasil, 2011. 1552 p.

ESTEVA, Andre et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature, [s.l.], v. 542, n. 7639, p.115-118, 25 jan. 2017. Springer Science and Business Media LLC. http://dx.doi.org/10.1038/nature21056.

FAWCETT, Tom. An introduction to ROC analysis. Pattern Recognition Letters, [s.l.], v. 27, n. 8, p.861-874, jun. 2006. Elsevier BV. http://dx.doi.org/10.1016/j.patrec.2005.10.010.

FURDOVA, A.; FURDOVA, A.; KRCMERY, V.. Our experience with smartphone and spherical lens for the eye fundus examination during humanitarian project in Africa. International Journal Of Ophthalmology, [s.l.], 18 jan. 2017. Press of International Journal of Ophthalmology (IJO Press). http://dx.doi.org/10.18240/ijo.2017.01.25.

(50)

FOROUZANFAR, Mohammad H et al. Global, regional, and national comparative risk assessment of 79 behavioural, environmental and occupational, and metabolic risks or clusters of risks in 188 countries, 1990–2013: a systematic analysis for the Global Burden of Disease Study 2013. The Lancet, [s.l.], v. 386, n. 10010, p.2287-2323, dez. 2015. Elsevier BV. http://dx.doi.org/10.1016/s0140-6736(15)00128-2.

GONC¸ ALVES, Luis. Oftalmoscopia – Manual pr´atico . Porto: Lidel, 2010.

GULSHAN, Varun et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. Jama, [s.l.], v. 316, n. 22, p.2402-2406, 13 dez. 2016. American Medical Association (AMA). http://dx.doi.org/10.1001/jama.2016.17216.

HAMMES, Hans-peter. Diabetic retinopathy: hyperglycaemia, oxidative stress and beyond. Diabetologia, [s.l.], v. 61, n. 1, p.29-38, 24 set. 2017. Springer Nature. http://dx.doi.org/10.1007/s00125-017-4435-8.

INTERNATIONAL DIABETES FEDERATION. IDF DIABETES ATLAS Sixth edition. Dispon´ıvel em: <https://idf.org/e-library/epidemiology-research/diabetes-atlas.html>. Acesso em: 10 jul. 2019.

JAVA. Obtenha Informac¸˜oes sobre a Tecnologia Java. Dispon´ıvel em: <https://www.java.com/pt BR/about/ >. Acesso em: 18 jul. 2019

JSON. The JSON Data Interchange Standard. Dispon´ıvel em: <http://json.org/json-pt.html >. Acesso em: 18 jul. 2019

KASPER, Dennis L. et al. Medicina interna de Harrison. 19. ed. Porto Alegre: AMGH, 2017.

KOHAVI, Ron; PROVOST, Foster. Glossary of Terms: Special Issue on Applications of Machine Learning and the Knowledge Discovery Process. Boston: Kluwer Academic Publishers, 1998.

(51)

Standards for Evaluating Machine Learning Models for Diabetic Retinopathy. Ophthalmology, [s.l.], v. 125, n. 8, p.1264-1272, ago. 2018. Elsevier BV. http://dx.doi.org/10.1016/j.ophtha.2018.01.034.

MART´INEZ-VIZCA´INO, Vicente et al. The Accuracy of Diagnostic Methods for Diabetic Retinopathy: A Systematic Review and Meta-Analysis. Plos One, [s.l.], v. 11, n. 4, p.411-421, 28 abr. 2016. Public Library of Science (PLoS). http://dx.doi.org/10.1371/journal.pone.0154411.

MASSIE, T.. A tangible goal for 3D modeling. Ieee Computer Graphics And Applications, [s.l.], v. 18, n. 3, p.62-65, 1998. Institute of Electrical and Electronics Engineers (IEEE). http://dx.doi.org/10.1109/38.674973.

MICHALSKI, Mark H.; ROSS, Joseph S.. The Shape of Things to Come. Jama, [s.l.], v. 312, n. 21, p.2213-2219, 3 dez. 2014. American Medical Association (AMA). http://dx.doi.org/10.1001/jama.2014.9542.

MINIST ÉRIO DA SA ÚDE. Portaria no2.488, de 21 de outubro de 2011. Pol´ıtica Nacional de Atenção Básica. Bras´ılia, 2011.

PYTHON. Python Software Foundation. Dispon´ıvel em: <https://www.python.org/psf/ >. Acesso em: 18 jul. 2019

RETINOPATIA DO BEM. Ação voluntária criada com objetivo de conscientizar sobre a Diabetes e a Retinopatia Diabética. Dispon´ıvel em: <http://retinadobem.com.br >. Acesso em: 08 set. 2019.

ROYCHOWDHURY, Sohini; KOOZEKANANI, Dara D.; PARHI, Keshab K.. DREAM: Diabetic Retinopathy Analysis Using Machine Learning. Ieee Journal Of Biomedical And Health Informatics, [s.l.], v. 18, n. 5, p.1717-1728, set. 2014. Institute of Electrical and Electronics Engineers (IEEE). http://dx.doi.org/10.1109/jbhi.2013.2294635.

SCHMIDHUBER, J¨urgen. Deep learning in neural networks: An overview. Neural Networks, [s.l.], v. 61, p.85-117, jan. 2015. Elsevier BV. http://dx.doi.org/10.1016/j.neunet.2014.09.003.

(52)

SCHRIMPF, M. Should I use TensorFlow. 2016

SEURING, Till; ARCHANGELIDI, Olga; SUHRCKE, Marc. The Economic Costs of Type 2 Diabetes: A Global Systematic Review. Pharmacoeconomics, [s.l.], v. 33, n. 8, p.811-831, 19 mar. 2015. Springer Nature. http://dx.doi.org/10.1007/s40273-015-0268-9.

SHANMUGAM, Maheshp et al. Fundus imaging with a mobile phone: A review of techniques. Indian Journal Of Ophthalmology, [s.l.], v. 62, n. 9, p.960-967, 2014. Medknow. http://dx.doi.org/10.4103/0301-4738.143949.

SIMON, Phil. Too Big to Ignore: The Business Case for Big Data. Wiley, 2013. 257 p.

TAKAHASHI, Hidenori et al. Applying artificial intelligence to disease staging: Deep learning for improved staging of diabetic retinopathy. Plos One, [s.l.], v. 12, n. 6, 22 jun. 2017. Public Library of Science (PLoS). http://dx.doi.org/10.1371/journal.pone.0179790.

TSAO, Hsin-yi; CHAN, Pei-ying; SU, Emily Chia-yu. Predicting diabetic retinopathy and identifying interpretable biomedical features using machine learning algorithms. Bmc Bioinformatics, [s.l.], v. 19, n. 9, ago. 2018. Springer Nature. http://dx.doi.org/10.1186/s12859-018-2277-0.

VOETS, Mike; MØLLERSEN, Kajsa; BONGO, Lars Ailo. Reproduction study using public data of: Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. Plos One, [s.l.], v. 14, n. 6, 6 jun. 2019. Public Library of Science (PLoS). http://dx.doi.org/10.1371/journal.pone.0217541.

WORLD HEALTH ORGANIZATION A. Definition, Diagnosis and

Classification of Diabetes Mellitus and its Complications. Dispon´ıvel em: <https://apps.who.int/iris/bitstream/handle/10665/66040/WHO NCD NCS 99.2.pdf?sequence =1 >. Acesso em: 8 jul. 2019.

WORLD HEALTH ORGANIZATION B. Global report on diabetes. Dispon´ıvel em: <https://apps.who.int/iris/bitstream/handle/10665/204871/9789241565257 eng.pdf;jsessi

(53)

onid=BB7924141AAC1B047B83D415222B0684?sequence=1>. Acesso em: 13 jul. 2019.

ZHOU, B et al. Worldwide trends in diabetes since 1980: a pooled analysis of 751 population-based studies with 4·4 million participants. The Lancet, [s.l.], v. 387, n. 10027, p.1513-1530, abr. 2016. Elsevier BV. http://dx.doi.org/10.1016/s0140-6736(16)00618-8.

(54)

(55)

/*

* Licensed under the Apache License, Version 2.0 (the "License"); * you may not use this file except in compliance with the License. * You may obtain a copy of the License at

*

* http://www.apache.org/licenses/LICENSE-2.0 *

* Unless required by applicable law or agreed to in writing, software * distributed under the License is distributed on an "AS IS" BASIS,

* WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. * See the License for the specific language governing permissions and * limitations under the License.

*/ package com.google.android.cameraview.demo; import android.Manifest; import android.app.Dialog; import android.content.DialogInterface; import android.content.pm.PackageManager; import android.net.ConnectivityManager; import android.net.NetworkInfo; import android.os.Build; import android.os.Bundle; import android.os.Handler; import android.os.HandlerThread; import android.support.annotation.NonNull; import android.support.annotation.StringRes; import android.support.design.widget.FloatingActionButton; import android.support.v4.app.ActivityCompat; import android.support.v4.app.DialogFragment; import android.support.v4.content.ContextCompat; import android.support.v7.app.ActionBar; import android.support.v7.app.AlertDialog; import android.support.v7.app.AppCompatActivity; import android.support.v7.widget.Toolbar; import android.util.Log; import android.view.Menu; import android.view.MenuItem; import android.view.View; import android.widget.Toast; import com.google.android.cameraview.AspectRatio; import com.google.android.cameraview.CameraView; import com.google.gson.Gson; import java.io.File; import java.io.FileOutputStream; import java.util.Random; import okhttp3.MediaType; import okhttp3.MultipartBody; import okhttp3.OkHttpClient; import okhttp3.Request; import okhttp3.RequestBody; import okhttp3.Response; 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60

(56)

/**

* This demo app saves the taken picture to a constant file. * $ adb pull

/sdcard/Android/data/com.google.android.cameraview.demo/files/Pictures/pictur e.jpg

*/

public class MainActivity extends AppCompatActivity implements ActivityCompat.OnRequestPermissionsResultCallback, AspectRatioFragment.Listener {

private AlertDialog alerta;

private static final String TAG = "MainActivity"; private Result result;

private static final int REQUEST_CAMERA_PERMISSION = 1; private static final int REQUEST_STORAGE_PERMISSION = 2; private static final String FRAGMENT_DIALOG = "dialog"; private static final int[] FLASH_OPTIONS = {

CameraView.FLASH_OFF, CameraView.FLASH_ON, };

private static final int[] FLASH_ICONS = { R.drawable.ic_flash_off,

R.drawable.ic_flash_on, };

private static final int[] FLASH_TITLES = { R.string.flash_off,

R.string.flash_on, };

private int mCurrentFlash; private CameraView mCameraView; private Handler mBackgroundHandler;

private View.OnClickListener mOnClickListener = new View.OnClickListener() {

@Override //picture taken

public void onClick(View v) { switch (v.getId()) {

case R.id.take_picture:

if (mCameraView != null) {

// if (Build.VERSION.SDK_INT <= Build.VERSION_CODES.M) { // if (ContextCompat.checkSelfPermission(Manifest.permission.WRITE_EXTERNAL_STORAGE ) == PackageManager.PERMISSION_GRANTED) { // Log.v(TAG,"Permission is granted"); // mCameraView.takePicture(); // }else { 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113

(57)

//

ActivityCompat.requestPermissions(MainActivity.this, new String[]

{Manifest.permission.WRITE_EXTERNAL_STORAGE}, REQUEST_STORAGE_PERMISSION); // } // }else { mCameraView.takePicture(); // } } break; } } }; @Override

protected void onCreate(Bundle savedInstanceState) { super.onCreate(savedInstanceState);

setContentView(R.layout.activity_main);

mCameraView = (CameraView) findViewById(R.id.camera); if (mCameraView != null) {

mCameraView.addCallback(mCallback); }

FloatingActionButton fab = (FloatingActionButton) findViewById(R.id.take_picture);

if (fab != null) {

fab.setOnClickListener(mOnClickListener); }

Toolbar toolbar = (Toolbar) findViewById(R.id.toolbar); setSupportActionBar(toolbar);

ActionBar actionBar = getSupportActionBar(); if (actionBar != null) {

actionBar.setDisplayShowTitleEnabled(false); }

}

@Override

protected void onResume() { super.onResume(); checkcamera(); }

protected void checkcamera() {

if (ContextCompat.checkSelfPermission(this, Manifest.permission.CAMERA) == PackageManager.PERMISSION_GRANTED) { mCameraView.start(); } else if (ActivityCompat.shouldShowRequestPermissionRationale(this, Manifest.permission.CAMERA)) { ConfirmationDialogFragment .newInstance(R.string.camera_permission_confirmation, new String[]{Manifest.permission.CAMERA}, REQUEST_CAMERA_PERMISSION, R.string.camera_permission_not_granted) .show(getSupportFragmentManager(), FRAGMENT_DIALOG); } else {

ActivityCompat.requestPermissions(this, new String[] {Manifest.permission.CAMERA}, REQUEST_CAMERA_PERMISSION); } } 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168

(58)

@Override

protected void onPause() { mCameraView.stop(); super.onPause(); }

@Override

protected void onDestroy() { super.onDestroy();

if (mBackgroundHandler != null) {

if (Build.VERSION.SDK_INT >= Build.VERSION_CODES.JELLY_BEAN_MR2) { mBackgroundHandler.getLooper().quitSafely(); } else { mBackgroundHandler.getLooper().quit(); } mBackgroundHandler = null; } } @Override

public void onRequestPermissionsResult(int requestCode, @NonNull String[] permissions,

@NonNull int[] grantResults) { switch (requestCode) {

case REQUEST_CAMERA_PERMISSION:

if (permissions.length != 1 || grantResults.length != 1) { throw new RuntimeException("Error on requesting camera permission.");

}

if (grantResults[0] != PackageManager.PERMISSION_GRANTED) { Toast.makeText(this,

R.string.camera_permission_not_granted,

Toast.LENGTH_SHORT).show(); }

// No need to start camera here; it is handled by onResume

break;

case REQUEST_STORAGE_PERMISSION:

if (grantResults[0] == PackageManager.PERMISSION_GRANTED) { mCameraView.takePicture();

} }

}

@Override

public boolean onCreateOptionsMenu(Menu menu) { getMenuInflater().inflate(R.menu.main, menu); return true;

}

@Override

public boolean onOptionsItemSelected(MenuItem item) { switch (item.getItemId()) {

case R.id.switch_flash:

if (mCameraView != null) {

mCurrentFlash = (mCurrentFlash + 1) % FLASH_OPTIONS.length; item.setTitle(FLASH_TITLES[mCurrentFlash]); item.setIcon(FLASH_ICONS[mCurrentFlash]); mCameraView.setFlash(FLASH_OPTIONS[mCurrentFlash]); 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223