Rede Neural Profunda Multicanal para Classificação da Severidade da Retinopatia Diabética em um Modelo de Aprendizado por Reforço

A Retinopatia Diabética (RD) é um distúrbio ocular em pacientes com diabetes. A detecção da presença da RD e suas complicações usando imagens de fundo em um estágio inicial ajuda a prevenir sua progressão para níveis avançados. Nos últimos anos, várias Redes Neurais Convolucionais (CNN) bem projetadas foram propostas para detectar a presença da RD com a ajuda de conjuntos de dados disponíveis publicamente. No entanto, esses classificadores baseados em CNN existentes focam na utilização de diferentes configurações arquitetônicas para melhorar apenas a performance da tarefa de detecção, ou seja, presença ou ausência de RD. A classificação adicional da severidade e tipo da doença, no entanto, continua sendo uma tarefa não trivial. Para isso, propomos uma rede profunda em conjunto multicanal para classificar a severidade da retinopatia diabética. A abordagem proposta aproveita as redes profundas e a análise de componentes principais (PCA) para aprender variações interclasse e intraclasse a partir das características brutas da imagem. Classificadores de aprendizagem de máquina em conjunto são então aplicados para alcançar alta precisão de classificação e desempenho robusto nas características profundas obtidas. Especificamente, uma rede multicanal é feita usando arquiteturas de aprendizado profundo pré-treinadas, ou seja, ResNet-50 e DenseNet-121, para servir como os principais extratores de características. A aplicação adicional de PCA reduz a dimensionalidade das características e separa efetivamente o espaço de variação das imagens interclasse e intraclasse. Finalmente, um classificador de aprendizagem de máquina em conjunto usando os algoritmos AdaBoost e floresta aleatória é construído para melhorar ainda mais a precisão da classificação. A abordagem proposta foi comparada com múltiplas abordagens convencionais baseadas em CNN nos conjuntos de dados Messidor-2 (duas categorias) e EyePACS (duas, cinco categorias). Os resultados do experimento mostram que nossa abordagem proposta alcançou um desempenho superior (até 95,58% de precisão) e pode ser considerada um método promissor para detecção automática da retinopatia diabética.