O glaucoma é o segundo causador de cegueira no mundo, atingindo estimadamente 76 milhões de pessoas em 2020. Devido a seu caráter irreversível, vários trabalhos de pesquisa na literatura apresentam métodos para o diagnóstico de glaucoma a fim de auxiliar na tomada de decisão do especialista. Alguns destes estudos empregam métodos de aprendizagem de máquina, apesar do lento e custoso processo de coleta de dados presente em várias áreas da medicina. Este trabalho apresentou uma análise sobre uso de redes generativas adversárias na geração de mapas de espessura RNFL (Retinal Nerve Fiber Layer) sintéticos para serem empregados no treinamento de classificadores para o diagnóstico de glaucoma. Especificamente, esta investigação tratou dos classificadores que utilizam redes neurais profundas e que necessitam de grande quantidade de dados para treinamento. Foram gerados mapas de espessura de RNFL sintéticos utilizando uma rede generativa adversária, criando 11 conjuntos de dados mistos com dados reais e dados sintéticos em diferentes proporções. Esses conjuntos de dados foram utilizados no treinamento de 8 redes neurais profundas para o auxílio ao diagnóstico de glaucoma. O desempenho dos classificadores foi medido através dos valores de AROC. Os melhores valores de AROC foram obtidos quando o conjunto de dados foi aumentado em 100 vezes, onde 50% dos dados eram sintéticos e 50% eram reais. O melhor valor de AROC foi 0,865, obtido pela rede VGG16. Tais resultados indicam que o uso de mapas de espessura de RNFL sintéticos gerados por redes generativas adversárias contribui para melhorar o desempenho de redes neurais profundas para o diagnóstico de glaucoma.

Glaucoma is the second leading cause of blindness in the world. Around 76 million people were affected by this disease in 2020. Due to the irreversible glaucoma nature, several studies in the literature presented early diagnosis methods to assist in decisionmaking specialists. Some of these studies employ machine learning methods despite the slow process of collecting data present in many medical fields. This work presents an analysis of generative adversarial networks in the generation of synthetic RNFL (retinal nerve fiber layer) thickness maps for use in the training of classifiers for the diagnosis of glaucoma. Mainly classifiers that use deep neural networks and require a large amount of data for training. Synthetic RNFL thickness maps were created using a generative adversarial network, creating 11 mixed datasets with real data and synthetic data in different proportions. These datasets were used in the training of 8 deep neural networks to aid in glaucoma diagnosis. Classifiers' performance was measured using AROC values. Increasing the dataset by one hundred times gave the best AROC values, where 50 % of the data were synthetic, and 50 % were real. The best AROC value was 0.865, obtained by the VGG16 network. Such results indicate that the use of synthetic RNFL thickness maps generated by generative adversarial networks contributes to improving the performance of deep neural networks for the diagnosis of glaucoma.