Análise comparativa de redes neurais convolucionais para classificação de retinopatia diabética : configurações binárias e multiclasse

Abstract

A retinopatia diabética é uma das principais causas de cegueira no mundo, afetando milhões de pessoas anualmente. A detecção precoce e o diagnóstico preciso são fundamentais para evitar a progressão da doença, mas a avaliação manual das imagens de retina é um processo demorado e sujeito a variações entre especialistas. Nesse contexto, a aplicação de redes neurais convolucionais surge como uma alternativa promissora para automatizar essa tarefa, tornando o diagnóstico mais rápido e acessível. Este trabalho apresenta uma análise comparativa de redes neurais convolucionais para a classificação de retinopatia diabética em diferentes níveis de gravidade. A pesquisa foca em quatro arquiteturas populares Ű Xception, VGG16, MobileNet e InceptionV3 Ű aplicadas em bases de dados amplamente utilizadas, como APTOS2019 e EyePACS2015. Métodos de préprocessamento, incluindo corte e normalização de imagens, foram empregados para maximizar a qualidade dos dados e facilitar o aprendizado das redes. A avaliação foi conduzida utilizando métricas como acurácia, sensibilidade e precisão, em cenários de classiĄcação binária e multiclasse, com foco em identiĄcar os parâmetros para otimização das redes. Os resultados destacam o potencial da arquitetura Xception, que apresentou melhor desempenho em cenários de classiĄcação com cinco níveis degravidade. Apesar disso, as limitações computacionais e o impacto do desequilíbrio de classes evidenciaram desaĄos significativos para a reprodutibilidade e aplicabilidade clínica. Este estudo reforça a relevância de redes convolucionais no diagnóstico automatizado de retinopatia diabética, enquanto aponta para a necessidade de mais rigor em análises futuras, contribuindo para avanços metodológicos e maior robustez nas aplicações práticas. Os melhores resultados obtidos foram alcançados utilizando a arquitetura Xception, que mostrou desempenho superior na classiĄcação de retinopatia diabética em cinco classes distintas. Após ajustes nos parâmetros e pré-processamento das imagens, a rede alcançou uma acurácia de 71,70% no conjunto de dados APTOS2019. Em contrapartida, a MobileNet destacou-se por sua eficiência computacional, apresentando resultados competitivos em menor tempo de execução, enquanto a VGG16 e a InceptionV3 não atingiram o mesmo nível de desempenho esperado, sendo a última descartada nos experimentos Ąnais. Esses resultados evidenciam o potencial da Xception como uma solução robusta para a detecção de retinopatia diabética em cenários clínicos.