Brazilian Dataset for Retinal Lesion Analysis: A Deep Learning Diagnostic Pipeline
Palavras-chave:
Retinopatia diabética, classificação, Retinopsegmentação, redes neurais profundasResumo
A retinopatia diabética (RD) é uma importante causa de perda de visão em adultos, e seu diagnóstico precoce é essencial. Devido à escassez de infraestrutura e especialistas, o acesso ao diagnóstico é limitado. Para ajudar a suprir essa lacuna, foi criado o conjunto de dados BDR-iD, com imagens de fundo de olho coletadas e anonimizadas de uma clínica em Pelotas (Brasil). Das 13.131 imagens obtidas entre 2012 e 2024, 150 foram selecionadas e anotadas com base na presença de RD e lesões associadas. Modelos de aprendizado profundo foram testados, alcançando acurácia de 0,6667 na classificação da RD, mas com baixo desempenho na segmentação e detecção de lesões. O BDR-iD visa apoiar o desenvolvimento de ferramentas automatizadas para o diagnóstico da RD.
Downloads
Referências
International Council of Ophthalmology. Updated 2017 ICO Guidelines for Diabetic Eye Care [Internet]. San Francisco: ICO; 2017 [citado 2025 jun 6]. Disponível em: http://www.icoph.org/downloads/ICOGuidelinesforDiabeticEyeCare.pdf
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.
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.
Chakrabarti R, Harper CA, Keeffe JE. Diabetic retinopathy management guidelines. Expert Rev Ophthalmol. 2012;7(5):417–39. Disponível em: https://doi.org/10.1586/eop.12.52
Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition [Internet]. 2015 [citado 2025 jun 6]. Disponível em: https://arxiv.org/abs/1409.1556
He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition [Internet]. 2015 [citado 2025 jun 6]. Disponível em: https://arxiv.org/abs/1512.03385
Szegedy C, Liu W, Jia Y, Sermanet P, Reed S, Anguelov D, et al. Going deeper with convolutions [Internet]. 2014 [citado 2025 jun 6]. Disponível em: https://arxiv.org/abs/1409.4842
Huang G, Liu Z, van der Maaten L, Weinberger KQ. Densely connected convolutional networks [Internet]. 2018 [citado 2025 jun 6]. Disponível em: https://arxiv.org/abs/1608.06993
Tan M, Le QV. EfficientNet: Rethinking model scaling for convolutional neural networks [Internet]. 2020 [citado 2025 jun 6]. Disponível em: https://arxiv.org/abs/1905.11946
Radosavovic I, Kosaraju RP, Girshick R, He K, Dollár P. Designing network design spaces [Internet]. 2020 [citado 2025 jun 6]. Disponível em: https://arxiv.org/abs/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]. 2016 [citado 2025 jun 6]. Disponível em: https://arxiv.org/abs/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]. 2021 [citado 2025 jun 6]. Disponível em: https://arxiv.org/abs/2103.14030
Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation. Lect Notes Comput Sci. 2015;9351:234–41.
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. arXiv Preprint. 2018; 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. arXiv Preprint. 2018; arXiv:1802.06955.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Carlos Santos, Marcelo Dias, Alejandro Pereira, Marilton Aguiar, Daniel Welfer, Laura Bernardes, Artur Heckler
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista (Declaração de Exclusividade). A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão de um Termo de Transferência de Direitos de Publicação. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito de Publicação.
