BDR-iD: Conjunto de Dados Brasileiro Preliminar de Lesões Retinianas e Linhas de Base em Aprendizado Profundo para Retinopatia Diabética
DOI:
https://doi.org/10.59681/2175-4411.v18.2026.1510Palavras-chave:
Retinopatia diabética, classificação, segmentação, redes neurais profundasResumo
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
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
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Carlos Santos, Laura Bernardes, Artur Heckler, Alejandro Pereira, Marcelo Dias, Marilton Aguiar, Daniel Welfer

Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.