Redes neurais multinível para classificação do ângulo da câmara anterior utilizando Imagens OCT-SA

O glaucoma e apontado como sendo uma das principais causas de comprometimento da visao, e a principal causa de cegueira irreversivel. As principais formas da doenca sao o glaucoma primario de ângulo aberto e o glaucoma primario de ângulo fechado. Em pessoas com glaucoma de ângulo fechado, ocorre o estreitamento do ângulo da câmara anterior, consequentemente acarretando o aumento da pressao intraocular provocando danos ao nervo optico, causando perda parcial ou total da visao. Como os danos sao irreversiveis, um diagnostico precoce e essencial, porem e dificultado devido ao fato da doenca ser assintomatica nos estagios iniciais. Para deteccao precoce da doenca, sao recomendados exames de imagem de rotina, sendo um deles a Tomografia de Coerencia Optica do Segmento Anterior, que permite a classificacao do ângulo, fundamental para o diagnostico. A analise deste tipo de imagem requer um grau de interpretacao por parte dos especialistas, devido a isso, a avaliacao de muitas imagens demanda muito tempo, podendo levar a fadiga do profissional. A utilizacao de metodos automaticos para auxiliar na interpretacao das imagens contribuiria para obtencao de diagnosticos mais rapidamente. Neste trabalho e proposto um metodo automatico para classificacao do ângulo da câmara anterior, presente em imagens de Tomografia do Segmento Anterior, baseado em aprendizagem profunda, utilizando redes neurais convolucionais. Inicialmente, cinco modelos pre-treinados de redes convolucionais foram ajustados para extracao de caracteristicas e classificacao das imagens. A seguir, os modelos foram combinados em uma arquitetura multinivel, com o objetivo de se aumentar a capacidade de classificacao. Como melhor resultado foi alcancado um valor AUC (do ingles, Area Under the Curve) de 0,999.