Classifica??o e segmenta??o da regi?o patol?gica da COVID-19 em radiografias do t?rax usando redes neurais convolucionais

• Autor(a) principal: Farias, Ricardo de Sousa
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional do IFPB
• Texto Completo: http://repositorio.ifpb.edu.br/jspui/handle/177683/2927
• topic: Rede neural convolucional; Radiografia do t?rax; Classifica??o e segmenta??o de imagens; COVID-19

A COVID-19 se disseminou em larga escala, sobrecarregando os sistemas de sa?de. Embora os pulm?es sejam o ?rg?o mais afetado pela doen?a, ? importante destacar que o v?rus pode atingir outros ?rg?os. Para avaliar a condi??o dos pulm?es, ? comum realizar radiografias de t?rax. O objetivo desta pesquisa ? aplicar t?cnicas de aprendizado de m?quina para auxiliar na an?lise de radiografias de t?rax de pacientes com COVID-19. Neste trabalho, foi utilizada a rede neural convolucional MultiResUNet para segmenta??o pulmonar em imagens de radiografias do t?rax. Foram usadas 6.600 imagens, sendo 2.200 de cada classe (COVID-19, Normal e N?o COVID-19). Posteriormente, foram utilizadas oito redes neurais convolucionais pr?-treinadas para classificar as imagens segmentadas (COVID-19, Normal e N?o COVID-19) com o modelo MultiResUNet. A compara??o foi realizada entre os modelos na classifica??o bin?ria (COVID-19 e N?o COVID-19) com 4.900 imagens (20% para teste) e na classifica??o multiclasses (COVID-19, Normal e N?o COVID-19) com 7.350 imagens (20% para teste). A MultiResUNet tamb?m foi usada para segmentar a infec??o COVID-19 (?rea patol?gica) em 2.950 imagens (20% para teste), enquanto a abordagem LIME foi usada para segmentar a infec??o em imagens de COVID-19 usando o melhor modelo obtido na classifica??o. Todos os treinamentos realizados foram utilizando a valida??o cruzada. A segmenta??o da regi?o de infec??o causada pela COVID-19 pode auxiliar os profissionais de sa?de na tomada de decis?o e no tratamento dos pacientes. Os resultados obtidos na segmenta??o pulmonar foram: acur?cia de 98,1%, valor da intersec??o sobre uni?o (IoU) de 92,4% e valor do coeficiente de Dice de 96,1%. Na classifica??o de imagens, a VGG16 obteve os melhores resultados na classifica??o bin?ria. Na classifica??o multiclasses, a VGG16 alcan?ou os melhores resultados em tr?s das cinco medidas utilizadas. Na segmenta??o da infec??o com a MultiResUNet, foi alcan?ada uma acur?cia de 94,2%, valor de IoU de 67,3% e valor de Dice de 80,4%. Na segmenta??o da infec??o, foram observadas dificuldades em segmentar corretamente a ?rea patol?gica. Os resultados alcan?ados com a segmenta??o da infec??o utilizando LIME foram inferiores aos obtidos com a MultiResUNet.