Evolving Convolutional Neural Networks for Glaucoma Diagnosis / Redes neurais convolucionais em evolução para diagnóstico de glaucoma

Alan Carlos de Moura Lima, Lucas Bezerra Maia, Pedro Thiago Cutrim dos Santos, Geraldo Braz Junior, João D. S. de Almeida, Anselmo Cardoso de Paiva

Abstract


O glaucoma é uma doença ocular que causa danos ao nervo óptico do olho e sucessivo estreitamento do campo visual nos pacientes afetados, o que pode levar o paciente, em estágio avançado, à cegueira. Este trabalho apresenta um estudo sobre o uso de Redes Neurais Convolucionais (CNNs) para o diagnóstico automático através de imagens de fundo de olho. No entanto, a construção de uma CNN capaz de alcançar resultados satisfatórios para o diagnóstico do glaucoma, envolve muito esforço que, em muitas situações, nem sempre é capaz de tais resultados. O objetivo deste trabalho é utilizar um algoritmo genético (AG) para otimizar arquiteturas de CNNs através da técnica de evolução de algoritmos que possa aprimorar o diagnóstico do glaucoma em imagens de fundo do olho do conjunto de dados RIM-ONE-r2. Nosso artigo demonstra resultados satisfatórios após o treinamento do melhor indivíduo escolhido pelo AG, com a obtenção de uma acurácia de 91%.


Keywords


Diagnóstico de glaucoma, aprendizagem profunda, meta learning, algoritmos genéticos.

Full Text:

PDF

References


ARAÚJO, J. D. L., DE PAIVA, A. C., DE ALMEIDA, J. D. S., NETO, O. P. S., DE SOUSA, J. A., SILVA, A. C., AND JÚNIOR, G. B. (2017). Diagnóstico de glaucoma em imagens de fundo de olho utilizando os Índices de diversidade de Shannon e McIntosh. XXXVII Congresso da Sociedade Brasileira de Computação – 17º WIM - Workshop de Informática Médica, pages 1873–1882.

CHEN, X., XU, Y., WONG, D. W. K., WONG, T. Y., AND LIU, J. (2015). Glaucoma detection based on deep convolutional neural network. In 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pages 715–718.

CHOLLET, F. (2015). Keras.https://github.com/fchollet/keras. [Online;accessed 15-March-2017].

DAVID, E. AND GREENTAL, I. (2017). Genetic algorithms for evolving deep neural networks.CoRR, abs/1711.07655.

DE SOUSA, J. A., DE PAIVA, A. C., SOUSA DE ALMEIDA, J. D., SILVA, A. C., JUNIOR, G. B., AND GATTASS, M. (2017). Texture based on geostatistic for glaucoma diagnosis from fundus eye image. Multimedia Tools and Applications, 76(18):19173–19190.

FUMERO, F., ALAYON, S., SANCHEZ, J. L., SIGUT, J., AND GONZALEZ-HERNANDEZ, M. (2011). Rim-one: An open retinal image database for optic nerve evaluation. In 2011 24th International Symposium on Computer-Based Medical Systems (CBMS), pages 1–6.

MIIKKULAINEN, R., LIANG, J. Z., MEYERSON, E., RAWAL, A., FINK, D., FRANCON, O., RAJU, B.,SHAHRZAD, H., NAVRUZYAN, A., DUFFY, N., AND HODJAT, B. (2017). Evolving deep neural networks. CoRR, abs/1703.00548.

SEVASTOPOLSKY, A. (2017). Optic disc and cup segmentation methods for glaucoma detection with modification of u-net convolutional neural network. Pattern Recognition and Image Analysis, 27(3):618–624.

STANLEY, K. O. AND MIIKKULAINEN, R. (2002). Evolving neural networks through augmenting topologies. Evolutionary Computation, 10(2):99–127.

SUN, Y., XUE, B., AND ZHANG, M. (2017). Evolving deep convolutional neural networks for image classification. CoRR, abs/1710.10741.

XIE, L. AND YUILLE, A. L. (2017). Genetic CNN. CoRR, abs/1703.01513.

YADAV, S. L. AND SOHA, A. (2017). Comparative study of different selection techniques in genetic algorithm. International Journal of Engineering, Science and Mathematics, 6(3).

ZHENG, L., ZHAO, Y., WANG, S., WANG, J., AND TIAN, Q. (2016). Good practice in CNN feature transfer. CoRR, abs/1604.00133.




DOI: https://doi.org/10.34119/bjhrv3n4-160

Refbacks

  • There are currently no refbacks.