Impacto do Recorte por Segmentação na Classificação de Imagens de Fundo de Olho

Imagens de fundo de olho constituem um recurso indispensável para o diagnóstico de doenças oculares como o glaucoma, por ser um meio de visualizar características que evidenciam a condição, como alterações nas fibras nervosas ou aumento da relação escavação/disco. Redes Neurais Convolucionais (CNNs) se tornaram uma ferramenta poderosa para a detecção automática dessas condições, mas a presença de ruído nas imagens e informações irrelevantes pode comprometer seu desempenho. Desse modo, este trabalho busca averiguar o impacto de se isolar, nas imagens de fundo de olho, apenas a região do disco óptico (descartando o restante da imagem) na detecção do aumento da relação escavação/disco. Para isso, foi utilizado o conjunto de dados BRSET, com imagens de fundo de olho brasileiras. Todas as imagens passaram por um modelo de segmentação para encontrar a região do disco óptico e realizar um recorte mantendo essa região centralizada. Assim, Para avaliar o desempenho, foi selecionada a arquitetura ResNet50 com transferência de conhecimento, comparando duas configurações: as imagens originais e as imagens com recorte da região do disco óptico, mantendo os mesmos hiperparâmetros e condições de treinamento. Os resultados demonstraram que o enfoque na região de importância para a condição melhora consistentemente todas as métricas, inclusive com 5% a mais de sensibilidade (métrica importante em dados médicos) e CAMs mais consistentes.