Classificação da Retinopatia Diabética Usando uma Arquitetura Modificada de Xception

A retinopatia diabética (RD) é uma das principais causas de cegueira no mundo. Com o tratamento adequado, o diagnóstico precoce da RD pode prevenir a progressão da doença. Neste artigo, apresentamos um novo método de extração de características usando uma arquitetura modificada de Xception para o diagnóstico da doença RD. O método proposto é baseado na agregação de camadas profundas que combina características de múltiplos níveis de diferentes camadas convolucionais da arquitetura Xception. As características extraídas são posteriormente alimentadas em um perceptron de múltiplas camadas (MLP) para serem treinadas para a classificação da severidade da RD. O desempenho da abordagem proposta foi avaliado com quatro extratores de características profundas, incluindo Inception V3, MobileNet e ResNet50 e a arquitetura Xception original. Comparado com a arquitetura Xception típica, a agregação das camadas profundas da CNN pode efetivamente fundir características profundas e melhorar o processo de aprendizado. Além disso, uma estratégia de aprendizado por transferência e ajuste de hiperparâmetros são adotados para melhorar ainda mais o desempenho geral da classificação. O desempenho do modelo proposto foi validado no conjunto de dados do concurso Kaggle APTOS 2019. Experimentos demonstram que o extrator de características profundas Xception modificado melhora a classificação da RD com uma precisão de classificação de 83,09% contra 79,59%, sensibilidade de 88,24% contra 82,35% e especificidade de 87,00% contra 86,32% quando comparado com a arquitetura Xception original.