Development and comparison of machine learning methods for subjective refraction prediction

Detalhes bibliográficos
Autor(a) principal: Lenz, Arthur Lages
Data de Publicação: 2018
Tipo de documento: Trabalho de conclusão de curso
Idioma: eng
Título da fonte: Repositório Institucional da UFRGS
Texto Completo: http://hdl.handle.net/10183/190167
Resumo: De acordo com a estimativa apresentada no estudo realizado pelo Global Burden of Disease (Carga Global de Doença, em tradução livre), de 2016, erros de refração e deficiências no processo de acomodação visual afetam um total de 886 milhões de pessoas (43% de todas as deficiências relacionadas a orgãos sensoriais). A fim de tratar este problema, oftalmologistas prescrevem lentes corretivas, capazes de corrigir os diversos tipos de erros refrativos: Miopia, Hypermetropia, Astigmatismo, e Presbiopia. Para a prescrição das lentes, é necessário determinar o erro refrativo dos pacientes. Este processo é realizado em duas fases: uma estimativa inicial (chamada Refração Objetiva), e um ajuste-fino (chamado Refração Subjetiva). Este trabalho, busca aprimorar a qualidade da refração estimada, reduzindo o tempo necessário para a realização da etapa de ajustefino. Este trabalho propõe então a utilização de machine learning para a predição da refração mais adequada (i.e. Refração Subjetiva) de cada olho, considerando não apenas a estimativa inicial (i.e. Refração Objetiva), como também outras características do paciente, como idade, sexo, e sintomas apresentados. Um conjunto de dados coletados pelo grupo de telemedicina TelessaúdeRS-UFRGS, durante um período de 13 meses, foi utilizado. Dentre as três técnicas investigadas (Regressão Linear, Máquinas de Vetores de Suporte, e Redes Neurais), a melhor performance geral apresentada foi produzida pelo modelo preditivo baseado em redes neurais (0.406 dioptrias), reduzindo em até 70% o erro inicial produzido pelo equipamento Autorrefrator (de 1.381 dioptrias).
id UFRGS-2_5ca889cce28a6cd9b18fab06709c5d16
oai_identifier_str oai:www.lume.ufrgs.br:10183/190167
network_acronym_str UFRGS-2
network_name_str Repositório Institucional da UFRGS
repository_id_str
spelling Lenz, Arthur LagesWives, Leandro KrugAraújo, Aline Lutz de2019-04-09T02:34:42Z2018http://hdl.handle.net/10183/190167001088663De acordo com a estimativa apresentada no estudo realizado pelo Global Burden of Disease (Carga Global de Doença, em tradução livre), de 2016, erros de refração e deficiências no processo de acomodação visual afetam um total de 886 milhões de pessoas (43% de todas as deficiências relacionadas a orgãos sensoriais). A fim de tratar este problema, oftalmologistas prescrevem lentes corretivas, capazes de corrigir os diversos tipos de erros refrativos: Miopia, Hypermetropia, Astigmatismo, e Presbiopia. Para a prescrição das lentes, é necessário determinar o erro refrativo dos pacientes. Este processo é realizado em duas fases: uma estimativa inicial (chamada Refração Objetiva), e um ajuste-fino (chamado Refração Subjetiva). Este trabalho, busca aprimorar a qualidade da refração estimada, reduzindo o tempo necessário para a realização da etapa de ajustefino. Este trabalho propõe então a utilização de machine learning para a predição da refração mais adequada (i.e. Refração Subjetiva) de cada olho, considerando não apenas a estimativa inicial (i.e. Refração Objetiva), como também outras características do paciente, como idade, sexo, e sintomas apresentados. Um conjunto de dados coletados pelo grupo de telemedicina TelessaúdeRS-UFRGS, durante um período de 13 meses, foi utilizado. Dentre as três técnicas investigadas (Regressão Linear, Máquinas de Vetores de Suporte, e Redes Neurais), a melhor performance geral apresentada foi produzida pelo modelo preditivo baseado em redes neurais (0.406 dioptrias), reduzindo em até 70% o erro inicial produzido pelo equipamento Autorrefrator (de 1.381 dioptrias).According to the estimate in the Global Burden of Disease study of 2016, visual impairments such as refractive errors and deficiencies in the visual accommodation process affect a total of 886 million people (43% of all sensory organ deficiencies). To address this problem, clinicians prescribe corrective lenses, capable of correcting the many types of refractive errors: Myopia, Hypermetropia, Astigmatism, and Presbyopia. In order to prescribe the lenses, clinicians must first determine the patient’s refractive error. This process is performed in two steps: an initial estimate called Objective Refraction, and a fine-tuning step called Subjective Refraction. The current work seeks to improve the quality of the estimated refraction, reducing the time required to perform the fine-tuning step. In order to reduce the time necessary for this process, this work proposes the use of machine learning for predicting the most adequate refractive power (i.e. the Subjective Refraction) of each eye, considering not only the subject’s Objective Refraction information but also other characteristics such as the age, sex, and presented symptoms. A data set containing information of over 3600 patients, collected by the telemedicine group TelessaúdeRS-UFRGS during a period of 13 months, was used. Among the three techniques investigated (Linear Regression, Support Vector Regression, and Neural Networks), the best overall performance was presented by the predictive model based on neural networks (0.406 diopters), reducing by 70% the initial error produced by the Autorefractor (1.381 diopters).application/pdfengInformatica : MedicinaInteligência artificialArtificial InteligencePower VectorsRefractive ErrorsOptometryOphthalmologyNeural NetworkSupport Vector RegressionLinear RegressionSupervised LearningDevelopment and comparison of machine learning methods for subjective refraction predictioninfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPorto Alegre, BR-RS2018Ciência da Computação: Ênfase em Ciência da Computação: Bachareladograduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001088663.pdf.txt001088663.pdf.txtExtracted Texttext/plain100031http://www.lume.ufrgs.br/bitstream/10183/190167/2/001088663.pdf.txt0d099f89c0cc0e362a00ba05b5253deaMD52ORIGINAL001088663.pdfTexto completo (inglês)application/pdf1499958http://www.lume.ufrgs.br/bitstream/10183/190167/1/001088663.pdfcc6dd84565f4355a84417b63650c865fMD5110183/1901672021-05-26 04:45:31.740635oai:www.lume.ufrgs.br:10183/190167Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2021-05-26T07:45:31Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Development and comparison of machine learning methods for subjective refraction prediction
title Development and comparison of machine learning methods for subjective refraction prediction
spellingShingle Development and comparison of machine learning methods for subjective refraction prediction
Lenz, Arthur Lages
Informatica : Medicina
Inteligência artificial
Artificial Inteligence
Power Vectors
Refractive Errors
Optometry
Ophthalmology
Neural Network
Support Vector Regression
Linear Regression
Supervised Learning
title_short Development and comparison of machine learning methods for subjective refraction prediction
title_full Development and comparison of machine learning methods for subjective refraction prediction
title_fullStr Development and comparison of machine learning methods for subjective refraction prediction
title_full_unstemmed Development and comparison of machine learning methods for subjective refraction prediction
title_sort Development and comparison of machine learning methods for subjective refraction prediction
author Lenz, Arthur Lages
author_facet Lenz, Arthur Lages
author_role author
dc.contributor.author.fl_str_mv Lenz, Arthur Lages
dc.contributor.advisor1.fl_str_mv Wives, Leandro Krug
dc.contributor.advisor-co1.fl_str_mv Araújo, Aline Lutz de
contributor_str_mv Wives, Leandro Krug
Araújo, Aline Lutz de
dc.subject.por.fl_str_mv Informatica : Medicina
Inteligência artificial
topic Informatica : Medicina
Inteligência artificial
Artificial Inteligence
Power Vectors
Refractive Errors
Optometry
Ophthalmology
Neural Network
Support Vector Regression
Linear Regression
Supervised Learning
dc.subject.eng.fl_str_mv Artificial Inteligence
Power Vectors
Refractive Errors
Optometry
Ophthalmology
Neural Network
Support Vector Regression
Linear Regression
Supervised Learning
description De acordo com a estimativa apresentada no estudo realizado pelo Global Burden of Disease (Carga Global de Doença, em tradução livre), de 2016, erros de refração e deficiências no processo de acomodação visual afetam um total de 886 milhões de pessoas (43% de todas as deficiências relacionadas a orgãos sensoriais). A fim de tratar este problema, oftalmologistas prescrevem lentes corretivas, capazes de corrigir os diversos tipos de erros refrativos: Miopia, Hypermetropia, Astigmatismo, e Presbiopia. Para a prescrição das lentes, é necessário determinar o erro refrativo dos pacientes. Este processo é realizado em duas fases: uma estimativa inicial (chamada Refração Objetiva), e um ajuste-fino (chamado Refração Subjetiva). Este trabalho, busca aprimorar a qualidade da refração estimada, reduzindo o tempo necessário para a realização da etapa de ajustefino. Este trabalho propõe então a utilização de machine learning para a predição da refração mais adequada (i.e. Refração Subjetiva) de cada olho, considerando não apenas a estimativa inicial (i.e. Refração Objetiva), como também outras características do paciente, como idade, sexo, e sintomas apresentados. Um conjunto de dados coletados pelo grupo de telemedicina TelessaúdeRS-UFRGS, durante um período de 13 meses, foi utilizado. Dentre as três técnicas investigadas (Regressão Linear, Máquinas de Vetores de Suporte, e Redes Neurais), a melhor performance geral apresentada foi produzida pelo modelo preditivo baseado em redes neurais (0.406 dioptrias), reduzindo em até 70% o erro inicial produzido pelo equipamento Autorrefrator (de 1.381 dioptrias).
publishDate 2018
dc.date.issued.fl_str_mv 2018
dc.date.accessioned.fl_str_mv 2019-04-09T02:34:42Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/190167
dc.identifier.nrb.pt_BR.fl_str_mv 001088663
url http://hdl.handle.net/10183/190167
identifier_str_mv 001088663
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Repositório Institucional da UFRGS
collection Repositório Institucional da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/190167/2/001088663.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/190167/1/001088663.pdf
bitstream.checksum.fl_str_mv 0d099f89c0cc0e362a00ba05b5253dea
cc6dd84565f4355a84417b63650c865f
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv
_version_ 1815447239228653568

Registros relacionados