Diagnose of the inflammatory bowel disease using deep learning models with interpretability

• Autor(a) principal: Maurício, José Carlos Nunes
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: eng
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.26/46225
• topic: Colite ulcerosa; Doença de Crohn; Deep Learning; Destilação do conhecimento; DeiT

Doença de Crohn e Colite Ulcerosa são duas doenças crónicas que provocam uma in flamação nos tecidos de todo trato gastrointestinal, e são caracterizadas pelo termo: Doença Inflamatória do Intestino. Para os pacientes com esta patologia, um diag nóstico preciso e atempado é um ponto chave para a qualidade de vida das pessoas com o objetivo de ser prescrito um tratamento que minimize os sintomas provocados pela inflamção do intestino. Contudo, os médicos gastroenterologistas sentem alguma dificuldade em avaliar as imagens endoscópicas de modo a reconhecer as caracterís ticas das duas doenças crónicas. Portanto, através deste trabalho procura-se encon trar uma forma de automatizar o diagnóstico destes pacientes durante o exame en doscópico reduzindo a subjetividade que está sujeito pela observação de um gastroen terologista, utilizando seis CNNs: AlexNet, ResNet50, VGG16, InceptionV3, ResNet50- MobileNetV2 e um modelo híbrido. Foram ainda utilizadas neste estudo cinco ViTs: ViT-B/32, ViT-S/32, ViT-B/16, ViT-S/16 and R26+S/32. Knowledge distillation foi apli cada de forma a construir modelos mais simples, com menos parâmetros, com base na aprendizagem das arquiteturas pré-treinadas em grandes volumes de dados. Conclui se que no âmbito das ViTs consegue-se reduzir 25x o número de parâmetros mantendo uma boa performance e reduzir o tempo de inferência em 5,32 segundos. Para as CNNs os resultados mostram que é possível reduzir em 107x o número de parâmetros, re duzindo por consequência o tempo de inferência em 3,84 segundos. Aliado a isto, ainda foi realizada a interpretabilidade dos modelos que permitiu concluir que ambas as arquiteturas (teacher and student models) conseguem identificar úlceras, situações de sangramento e lesões provocadas pela inflamação da doença.