O diabetes mellitus é uma doença caracterizada pela disfunção na produção ou ação da insulina no organismo. Esta disfunção pode ser causada por diversos fatores, incluindo fatores genéticos, ambientais, nutricionais, podendo estes serem agravados pelo sedentarismo. Esta doença pode ocasionar complicações microvasculares na retina, caracterizando a retinopatia diabética. Esta, por sua vez, é a principal causa de cegueira evitável em pessoas com idade ativa no mundo. Aproximadamente uma em cada três pessoas portadoras do diabetes mellitus tem algum grau de retinopatia diabética e estima-se que até 2045 haja um crescimento de 46% nos casos dessa doença. Dessa forma, agilizar, facilitar e padronizar o diagnóstico desta condição é de grande importância para reduzir estes altos índices e projeções. O uso de processamento de imagens médicas tem auxiliado o diagnóstico de diversas anomalias difíceis de serem detectadas sem tratamento computacional. Este trabalho, portanto, propõe a aplicação de processamento de imagens de retina para a segmentação automática de regiões de interesse como, exsudatos duros, exsudatos moles, microaneurismas e hemorragias. Foi proposta a avaliação das regiões de interesse isoladamente em seus canais de cores RGB e suas combinações, bem como a combinação das diferentes estruturas de retinopatia diabética em uma mesma imagem. Cada imagem, com seu respectivo ground truth, foi dividida em subimagens, as quais foram utilizadas como entradas da rede neural U-Net proposta. O melhor método combinado obteve acurácia, sensibilidade, precisão e especificidade de 97,51%, 37,49%, 58,86% e 99,24% respectivamente, para todas as regiões de interesse somadas na mesma imagem e utilizando os canais RGB. Dessa maneira, o método proposto não apresentou o melhor resultado da literatura, porém, apresentou, comparativamente, uma análise individual e associada das regiões de interesse da retinopatia diabética. Pré-processar as imagens separando seus canais de cores permitiu avaliar especificamente, para a rede U-Net, a combinação que potencializa os resultados das estruturas características da retinopatia diabética, não havendo resultados comparativos presentes na literatura. Obter um método que permita segmentar todas as regiões de interesse combinadas é alvo de interesse por propiciar maior agilidade no processamento das imagens, neste caso, uma única rede neural será otimizada para esta tarefa.

Diabetes mellitus is a disease characterized by dysfunction in the production or action of insulin in the body. This dysfunction may result from a variety of factors, including result of genetic, environmental and nutritional factors aggravated by the sedentary lifestyle. Diabetes mellitus can cause specific microvascular complications in the retina, characterizing diabetic retinopathy. Diabetic retinopathy is the leading cause of preventable blindness in people of working age in the world. Approximately one in three people with diabetes mellitus have some degree of Diabetic Retinopathy and it is estimated that by 2045 there will be a growth of 46% in the cases of this disease. Streamlining, facilitating and standardizing the diagnosis of retinal examination is therefore the target of studies to reduce its growth. The use of medical imaging has aided the diagnosis of several anomalies difficult to detect without computational treatment. This work proposes the application of retinal image processing for the automatic segmentation of regions of interest such as microaneurysms, hemorrhages and exudates. To detect such regions, the IDRiD database was used with retinal images previously evaluated by specialists. Using this database, it was proposed to evaluate the regions of interest separately in their RGB color channels and their combinations, as well as the combination of different structures of diabetic retinopathy in the same image. Each image, with its respective ground truth, was divided into subimages. These, in turn, were used as inputs to the proposed U-Net neural network. The best combined method obtained accuracy, sensitivity, precision and specificity of 97.51%, 37.49%, 58.86% and 99.24% respectively, for all regions of interest summed in the same image and using RGB channels. Thus, the proposed method did not present the best result in the literature, however, it comparatively presents an individual and a combined analysis of the regions of interest for diabetic retinopathy. Preprocessing the images by separating their color channels made it possible to specifically evaluate, for the U-net network, the combination that potentiates the results of the characteristic structures of diabetic retinopathy, with no comparative results present in the literature. Obtaining a method that presents good results from the combined regions is relevant because it allows greater agility in the processing of the images, since a single neural network segments the regions of interest without the need for prior distinction.