| Summary: | This study aimed to create computer models to aid the diagnosis of keratoconus using an edge segmentation algorithm, wavelet transforms and machine-learning techniques based on biomechanical parameters of the cornea derived from Corvis ST. 102 normal eyes, and 73 eyes with keratoconus grade I and II for training and validation of the models were included. Initially the 31 original equipment parameters were studied to assess its power in separating the control groups and research group. Then, it was used the Canny algorithm for edges segmentation of the selected images, so that 400 central points of these images could be processed with the wavelet transforms and later with machine learning techniques. The best result was achieved using the Haar wavelet transform and a Multilayer Perceptron Neural Network, reaching the sensitivity of 84.93%, a specificity of 89.22% and an Area Under the ROC Curve (AUC) of 0932. It concludes that the developed models can help make the diagnosis of early keratoconus. === O presente trabalho objetivou criar modelos computacionais de auxílio ao diagnóstico de ceratocone, utilizando um algoritmo de segmentação de borda, transformadas de wavelet e técnicas de aprendizagem de máquina, baseados em parâmetros biomecânicos da córnea derivados do CorVis ST. Foram incluídos 102 olhos normais, e 73 olhos com ceratocone grau I e II para o treinamento e validação dos modelos criados. Inicialmente foram estudados os 31 parâmetros originais do equipamento, para avaliar seu poder em separar os grupos de controle e pesquisa. Foi então utilizado o algoritmo Canny para segmentação das bordas das imagens selecionadas, para que 400 pontos centrais extraídos dessas imagens pudessem ser processados com as transformadas de wavelet e posteriormente com técnicas de aprendizado de máquina. O melhor resultado foi alcançado utilizando a transformada de Wavelet do tipo Haar e uma Rede Neural Multilayer Perceptron, alcançando a sensibilidade de 84.93%, uma especificidade de 89.22% e uma Area Under de ROC Curve (AUC) de 0.932. Conclui-se que os modelos desenvolvidos podem contribuir para tornar o diagnóstico de ceratocone mais precoce.
|
|---|
