Resumo
A retinopatia diabética (RD) é uma complicação ocular comum em pessoas com diabetes, causadapordanosnosvasossanguíneosdaretina.Elapodelevaràperdadevisãosenãofor tratada, sendo classificada em estágios que vão desde leve até proliferativa. A detecção de RD é geralmente realizada por meio de exames de fundo de olho, fundoscopia ou imagens de retina, com auxílio de técnicas como a segmentação de lesões para identificar alterações na retina. Os conjuntos de dados IDRiD e APTOS-2019 são utilizados para a segmentação de lesões provenientes da RD e detecção de retinopatia diabética, respectivamente. O conjunto de dados IDRiD possui imagens retinográficas capturadas de pacientes com RD, assim como as anotações pixel a pixel para lesões específicas, como microaneurismas, hemorragias, exsudatos duros e exsudatos moles. O conjunto de dados APTOS-2019 contém imagens de fundo de olho rotuladas com cinco categorias. Esse conjunto é amplamente utilizado para treinar modelos de aprendizado profundo, com o objetivo de detectar e classificar diferentes estágios da doença. Foi utilizada a arquitetura de rede neural convolucional U-Net para realizar a segmentação das lesões presentes nas imagens. Em seguida, as lesões segmentadas foram classificadas utilizando diversas arquiteturas de CNNs. Para analisar e interpretar as decisões do modelo, foi aplicado o Grad-CAM, uma técnica de inteligência artificial explicável que permite a visualização das áreas das imagens com maior peso na tomada de decisão da rede neural. A CNN EfficientNetB1 obteve uma acurácia de 99,45% e um F1-Score de 99,20%. Quando combinada com a técnica Grad-CAM, foi possível identificar corretamente as regiões responsáveis pela classificação do tipo de RD analisada. Dessa forma, essa abordagem não apenas demonstrou alta precisão na detecção dos diferentes tipos de RD, mas também proporcionou uma explicabilidade das decisões tomadas pela arquitetura utilizada