PROTOCOLO:

Data:
Coordenação do Curso de Engenharia Mecatrônica

FORMULÁRIO DE PROPOSTA DE TRABALHO DE CONCLUSÃO DE CURSO

IDENTIFICAÇÃO
Aluno(a)
Adriel Marcos de Castro Arruda
Título do Trabalho
Análise de retinografia: uma abordagem através das técnicas de visão
computacional
Professor(a) Orientador(a)
Silvana Terezinha Faceroli
Professor(es) Coorientador(es)
Sara Del Vecchio

DESCRIÇÃO DO TRABALHO (máximo 20 linhas cada item)

Justificativa

A retinografia é um exame que registra fotografias da retina, que desde os anos

60 tem sido uma técnica auxiliar para os oftalmologistas no diagnóstico de
patologias (FRAZ, 2012). Com o aumento do poder de processamento
computacional nas últimas décadas, tem sido cada vez mais comum a utilização de
algoritmos de inteligência computacional auxiliando na identificação de anomalias
em exames. Esses algoritmos também podem ser aplicados nas imagens do
exame de retinografia, auxiliando o médico responsável e possibilitando que os
diagnósticos sejam mais rápidos e precisos.
Diversos trabalhos têm abordado a possibilidade de identificar patologias
através de técnicas computacionais aplicadas em imagens de retina. Em Silva
(2018), foi avaliada a possibilidade de diagnóstico do glaucoma através da
retinografia utilizando padrões locais binários. O método empregado registrou uma
acurácia de 90,7%. No trabalho de Reis et al. (2018), utilizou-se redes neurais
convolucionais para o desenvolvimento de um sistema automático de detecção do
glaucoma. A retinopatia diabética foi classificada nos trabalhos de Carvalho et al.
(2022) e Moreira et al. (2020) utilizando aprendizado profundo com redes neurais.
Desta forma, a aplicação de técnicas de visão computacional pode melhorar os
processos de identificação precoce de diversas patologias. Esta lacuna de pesquisa
nos faz abordar as seguintes questões: Quais as principais patologias que podem
ser observadas em padrões de imagens de retinografia? Esse exame poderia
conter informações relevantes de outras patologias ainda pouco abordadas? Quais
as melhores técnicas para processar e extrair características de imagens de retina?

Objetivo Geral

Analisar o desempenho de técnicas de visão computacional em exames de

retinografia para auxílio na identificação de patologias.

Objetivos Específicos

• Compreender as características do exame de retinografia;

• Identificar, a partir de pesquisas cientificas, as principais doenças que
poderiam ser observadas através da retinografia;
• Avaliar quais as técnicas de processamento de imagens são mais
adequadas para a extração de características no exame de retinografia;
• Propor uma análise das características das imagens de retina através da
abordagem da inteligência artificial

Metodologia

• Revisão da bibliografia: nesta etapa, serão avaliadas as principais patologias

que apresentam a possibilidade de identificação através da retinografia,
assim como identificadas as técnicas já utilizadas para análise deste tipo de
exame.
• Construção do repositório de dados: Será feita uma busca por bancos de
dados de retinografia, bem como uma avaliação de quais dados são mais
relevantes para este trabalho.
• Processamento das imagens: Nesta etapa, serão aplicadas e analisadas as
 principais técnicas de processamento de imagens com o objetivo de verificar
quais são mais relevantes para extrair dados das imagens de retina. Para
essa etapa deve ser desenvolvido um algoritmo em linguagem Python,
baseado na biblioteca Pandas, para: ler, especificar, pré-processar, filtrar,
segmentar e extrair características.
• Classificação das imagens: As características extraídas das imagens de
retinografia serão classificadas através de técnicas de inteligência
computacional. Serão desenvolvidos algoritmos em linguagem Python com
as técnicas de redes neurais (RNA) e suport vector machine (SVM).
• Avaliação de desempenho: A partir dos resultados das métricas de
desempenho (acurácia, sensibilidade e precisão, matriz de confusão e curva
ROC), será possível analisar o comportamento da metodologia apresentada
neste trabalho.

Recursos Materiais
Computador pessoal.
Referências Bibliográficas

CARVALHO, Bernardo Fontoura Castro et al. O uso da inteligência artificial para diagnóstico da
retinopatia diabética: uma revisão narrativa. Rev Med Minas Gerais, v. 32, n. Supl 01, p. S42-S45,
2022.

FRAZ, Muhammad Moazam et al. Blood vessel segmentation methodologies in retinal images–a
survey. Computer methods and programs in biomedicine, v. 108, n. 1, p. 407-433, 2012.

MOREIRA, Francis et al. Impacto da Resolução na Detecção de Retinopatia Diabética com uso de
Deep Learning. In: Anais do XX Simpósio Brasileiro de Computação Aplicada à Saúde. SBC,
2020. p. 494-499.

REIS, Nelia Cantanhede et al. Diagnóstico Automático de Glaucoma em Imagens de Retinografia

baseado no CDR usando U-Net. VII Jornada de Informática do Maranhão, 2018.

SILVA, Mayara G. et al. Diagnóstico do glaucoma em imagens de retinografia usando variantes de

padroes locais binários. In: Anais do XVIII Simpósio Brasileiro de Computação Aplicada à
Saúde. SBC, 2018.
Cronograma de Desenvolvimento do Trabalho
▪ Início em: 09/2022
Meses de desenvolvimento do TCC
Atividade 1 2 3 4 5 6 7 8 9 1
1º 2º 3º 4º 5º 6º 7º 8º 9º 10º
A

Descrição das Atividades:

A. Revisão Bibliográfica
B. Montagem do repositório
C. Processamento das imagens
D. Classificação das imagens
E. Análise do desempenho das redes
F. Redação da monografia
G. Defesa de TCC II
Instituições Parceiras
Não se aplica.

Avaliação da Proposta de TCC (para uso da CTCC)

Aluno(a) habilitado a iniciar o TCC?
( ) SIM
( ) NÃO – Justificativa:
Professor(a) orientador(a) cadastrado no Banco de Orientadores de TCC?
( ) SIM ( ) NÃO
Parecer da CTCC:
( ) Aprovado ( ) Reprovado ( ) Aprovado com restrições
Assinatura: