Brazilian Dataset for Retinal Lesion Analysis: A Deep Learning Diagnostic Pipeline
Palabras clave:
Retinopatía diabética, clasificación, segmentación, aprendizaje profundoResumen
La retinopatía diabética (RD) es una de las principales causas de pérdida de visión en adultos en edad productiva, y su diagnóstico temprano es fundamental. Sin embargo, la falta de infraestructura y de especialistas limita el acceso al diagnóstico. Para abordar este problema, se creó el conjunto de datos BDR-iD a partir de imágenes de fondo de ojo anonimizadas recolectadas en una clínica oftalmológica en Pelotas, Brasil. De un total de 13.131 imágenes obtenidas entre 2012 y 2024, se seleccionaron y anotaron 150 según la presencia de RD y lesiones asociadas. Se evaluaron modelos de aprendizaje profundo, con una precisión del 66,67 % en la clasificación de la RD, aunque con bajo rendimiento en la segmentación y detección de lesiones. El conjunto de datos BDR-iD tiene como objetivo apoyar el desarrollo de herramientas automatizadas para el diagnóstico de la RD.
Descargas
Citas
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.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Carlos Santos, Marcelo Dias, Alejandro Pereira, Marilton Aguiar, Daniel Welfer, Laura Bernardes, Artur Heckler
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
