BDR-iD: Conjunto de Dados Brasileiro Preliminar de Lesões Retinianas e Linhas de Base em Aprendizado Profundo para Retinopatia Diabética

Autores

DOI:

https://doi.org/10.59681/2175-4411.v18.2026.1510

Palavras-chave:

Retinopatia diabética, classificação, segmentação, redes neurais profundas

Resumo

Objetivo: Apresentar a construção e a caracterização inicial do conjunto de dados brasileiro BDR-iD, com imagens de fundo para estudo da retinopatia diabética (RD), e definir linhas de base de aprendizado profundo para graduação da RD, segmentação e detecção de lesões. A RD é uma causa relevante de perda visual em adultos e o diagnóstico precoce é crítico; porém, a falta de infraestrutura e de especialistas limita o acesso, especialmente em contextos semelhantes ao SUS. Foram coletadas e anonimizadas 13.131 imagens de uma clínica em Pelotas (Brasil), entre 2012 e 2024. Dentre elas, 150 foram selecionadas e anotadas por especialista quanto à presença de RD e de lesões, incluindo microaneurismas, hemorragias e exsudatos. Modelos foram avaliados em três tarefas: graduação da RD, segmentação de lesões e detecção de lesões. Na classificação de severidade, no conjunto de teste, a melhor linha de base atingiu acurácia global (OA) de 0,6667. Segmentação e detecção apresentaram desempenho mais modesto, refletindo poucas imagens anotadas, desbalanceamento de classes e a dificuldade intrínseca de anotar microlesões. O BDR-iD preliminar não deve ser usado para implantação clínica, mas como ponto de partida para bases brasileiras mais amplas e padronizadas, oferecendo um recurso público inicial e referenciais para estudos futuros.

Downloads

Não há dados estatísticos.

Biografia do Autor

Carlos Santos, Instituto Federal de Educação, Ciência e Tecnologia Farroupilha

Professor do Centro de Informática, Instituto Federal de Educação, Ciência e Tecnologia Farroupilha – IFFar, Alegrete (RS), Brasil.

Marcelo Dias, Universidade Federal de Pelotas

Bacharel em Ciência da Computação. Universidade Federal de Pelotas – UFPel, Pelotas (RS), Brasil.

Alejandro Pereira, Universidade Federal de Pelotas

Bacharel em Ciência da Computação. Universidade Federal de Pelotas – UFPel, Pelotas (RS), Brasil.

Marilton Aguiar, Universidade Federal de Pelotas

Professor Associado da Universidade Federal de Pelotas – UFPel, Pelotas (RS), Brasil.

Daniel Welfer, Universidade Federal de Santa Maria

Professor do Departamento de Computação Aplicada - DCOM da Universidade Federal de Santa Maria – UFSM, Santa Maria (RS), Brasil.

Laura Bernardes, Instituto Federal de Educação, Ciência e Tecnologia Farroupilha

Estudante do curso de Tecnologia em Análise e Desenvolvimento de Sistemas do Instituto Federal Farroupilha.

Artur Heckler, Instituto Federal de Educação, Ciência e Tecnologia Farroupilha

Estudante de curso Técnico em Informática no Instituto Federal Farroupilha.

Referências

International Council of Ophthalmology. Updated 2017 ICO Guidelines for Diabetic Eye Care [Internet]. San Francisco (CA): International Council of Ophthalmology; 2017 [cited 2025 Jun 6]. Available from: https://icoph.org/eye-care-delivery/diabetic-eye-care/

Nayak J, Bhat PS, Acharya UR, Lim CM, Kagathi M. Automated identification of diabetic retinopathy stages using digital fundus images. J Med Syst. 2008;32(2):107-15. doi: https://doi.org/10.1007/s10916-007-9113-9

Ting DSW, Cheung GCM, Wong TY. Diabetic retinopathy: global prevalence, major risk factors, screening practices and public health challenges: a review. Clin Exp Ophthalmol. 2016;44(4):260-77. doi: https://doi.org/10.1111/ceo.12696

Chakrabarti R, Harper CA, Keeffe JE. Diabetic retinopathy management guidelines. Expert Rev Ophthalmol. 2012;7(5):417-39. doi: https://doi.org/10.1586/eop.12.52

Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition [Internet]. arXiv; 2015 [cited 2025 Jun 6]. doi: https://doi.org/10.48550/arXiv.1409.1556

He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition [Internet]. arXiv; 2015 [cited 2025 Jun 6]. doi: https://doi.org/10.48550/arXiv.1512.03385

Szegedy C, Liu W, Jia Y, Sermanet P, Reed S, Anguelov D, et al. Going deeper with convolutions [Internet]. arXiv; 2014 [cited 2025 Jun 6]. doi: https://doi.org/10.48550/arXiv.1409.4842

Huang G, Liu Z, van der Maaten L, Weinberger KQ. Densely connected convolutional networks [Internet]. arXiv; 2018 [cited 2025 Jun 6]. doi: https://doi.org/10.48550/arXiv.1608.06993

Tan M, Le QV. EfficientNet: rethinking model scaling for convolutional neural networks [Internet]. arXiv; 2020 [cited 2025 Jun 6]. doi: https://doi.org/10.48550/arXiv.1905.11946

Radosavovic I, Kosaraju RP, Girshick R, He K, Dollár P. Designing network design spaces [Internet]. arXiv; 2020 [cited 2025 Jun 6]. doi: https://doi.org/10.48550/arXiv.2003.13678

Iandola FN, Han S, Moskewicz MW, Ashraf K, Dally WJ, Keutzer K. SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size [Internet]. arXiv; 2016 [cited 2025 Jun 6]. doi: https://doi.org/10.48550/arXiv.1602.07360

Liu Z, Lin Y, Cao Y, Hu H, Wei Y, Zhang Z, et al. Swin Transformer: hierarchical vision transformer using shifted windows [Internet]. arXiv; 2021 [cited 2025 Jun 6]. doi: https://doi.org/10.48550/arXiv.2103.14030

Ronneberger O, Fischer P, Brox T. U-Net: convolutional networks for biomedical image segmentation. In: Medical Image Computing and Computer-Assisted Intervention (MICCAI 2015). Lect Notes Comput Sci. 2015;9351:234-41. doi: https://doi.org/10.1007/978-3-319-24574-4_28

Oktay O, Schlemper J, Le Folgoc L, Lee M, Heinrich M, Misawa K, et al. Attention U-Net: learning where to look for the pancreas [Internet]. arXiv; 2018. doi: https://doi.org/10.48550/arXiv.1804.03999

Alom MZ, Hasan M, Yakopcic C, Taha TM, Asari VK. Recurrent residual convolutional neural network based on U-Net (R2U-Net) for medical image segmentation [Internet]. arXiv; 2018. doi: https://doi.org/10.48550/arXiv.1802.06955

Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA. 2016;316(22):2402-10. doi: https://doi.org/10.1001/jama.2016.17216

Ting DSW, Cheung CY, Lim G, Tan GSW, Quang ND, Gan A, et al. Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with diabetes. JAMA. 2017;318(22):2211-23. doi: https://doi.org/10.1001/jama.2017.18152

Downloads

Publicado

18/01/2026

Como Citar

Santos, C., Dias, M., Pereira, A., Aguiar, M., Welfer, D., Bernardes, L., & Heckler, A. (2026). BDR-iD: Conjunto de Dados Brasileiro Preliminar de Lesões Retinianas e Linhas de Base em Aprendizado Profundo para Retinopatia Diabética. Journal of Health Informatics, 18(1), 1510. https://doi.org/10.59681/2175-4411.v18.2026.1510

Edição

Seção

Artigo Original

Artigos Semelhantes

1 2 3 4 5 6 7 8 9 10 > >> 

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.