Segmentação automática da região plantar para apoio ao diagnóstico da neuropatia periférica

• Autor(a) principal: Mesquita, Rui Pedro Rocha
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.22/22636
• topic: Diabetes; Neuropatia periférica; Inteligência Artificial; Rede U-Net; Segmentação; Peripheral neuropathy; Artificial intelligence; U-Net; Segmentation

De acordo com a organização mundial de saúde, o número de pessoas portadoras de diabetes tem crescido. A diabetes ´e a grande causadora de complicações como cegueira, deficiência renal, ataques cardíacos, tromboses e amputações dos membros inferiores [1]. As neuropatias estão entre as mais comuns das complicações a longo termo da diabetes. No mínimo, metade de todas as úlceras no pé em fase terminal podem ser evitadas através de uma correta gestão de cuidados, tratamentos e da educação dos pacientes. Contudo, a falta de tempo e informação adequada pode incutir um regime de cuidados desadequados à doença em questão [2]. Este tipo de condições pode ser de maior impacto ainda, uma vez que o sistema de saúde encontra-se cada vez mais sobrecarregado e com falta de recursos humanos. Logo, exames como estes podem ser negligenciados a favor de outro tipo de procedimentos mais sérios, causando então uma complicação grave no paciente em questão. Com o recurso a técnicas modernas de software e robótica seria possível ultrapassar a barreira humana do exame procedendo desta forma à automação do mesmo. Nota-se que, uma grande porção dos trabalhos efetuados pelos médicos não podem ser automatizados, visto que se relacionam diretamente com a saúde do paciente. Todavia, existem pequenas tarefas, como o caso do exame à neuropatia periférica, que poderiam ser automatizados e efetuados por máquinas providas de algoritmos inteligentes. Assim, o objetivo do trabalho centra-se na automação do exame à neuropatia periférica. Através de técnicas de machine leaning e inteligência artificial irá ser replicado o processo de visão humana, ou seja, a identificação de quais os pontos na porção plantar do pé do paciente que devem ser avaliados, e quais as suas coordenadas no espaço. Seguidamente, esta informação pode ser processada e enviada para um braço robótico, o qual irá efetuar o exame em si. O primeiro grande marco do projeto consiste em introduzir inteligência artificial para uma tarefa de segmentação. Apesar da iteração anterior do trabalho, utilizando técnicas de processamento de imagem e segmentação, ter sido sucedida, a revolução tecnológica e os avanços ao nível da computação continuam cada vez mais robustos. Desta forma, partiu-se para uma solução mais sofisticada do ponto de vista tecnológico, a aplicação de processos de segmentação com recurso a algoritmos de machine learning e aprendizagem profunda. A aplicação de tais conceitos permite ao utilizador uma abstração dos processos inerentes à segmentação de imagem, uma vez que os modelos desta natureza conseguem interpretar o ambiente em que estão inseridos e efetuar os devidos ajustes para chegar ao resultado esperado. O modelo em estudo foi o das redes de segmentação U-Net, famosas pela sua capacidade de produzir excelentes resultados face a uma dimensão reduzida de dados de treino. O modelo desenvolvido foi treinado com o recurso a um subconjunto de dados de treino, e outro subconjunto de dados de avaliação. Nota-se que, em ambas as partições, existia um par imagem - máscara em que a partição de treino foi expandida utilizando processos de aumento de dados, como distorções elásticas, morfológicas e mudanças de saturação. Para os treinos da rede, foram definidos hiperperâmetros específicos, para os quais se fez variar maioritariamente o valor das epochs entre iterações. Primeiramente foi desenhado um modelo para fazer a segmentação unicamente dos pontos inerentes aos dedos do pé (segmentar 3 pontos por pé), o qual foi treinado ao longo de 10, 20 e 50 epochs. Uma vez verificada a eficácia do modelo implementado para uma segmentação simples, procedeu-se ao treino da rede preditiva final (segmentação de 9 pontos por pé). Para validar os resultados obtidos, desenhou-se um script de teste que utiliza o modelo gerado como entrada para fazer a segmentação das imagens do subconjunto de teste. Assim é possível avaliar o resultado esperado (obtido manualmente) face aquele que o modelo produziu. Durante esta execução ainda são calculadas métricas típicas para este tipo de algoritmos de segmentação e métricas personalizadas, desenvolvidas especialmente para este trabalho, as quais contam o número de pontos detetados em diferentes regiões do pé. Após o treino e validação das seis redes, verificou-se que o modelo que apresentou melhor comportamento a nível de qualidade de saída e desempenho foi o de 20 epochs. Mais tarde, foram ainda gerados mais dois modelos com vista a tentar atingir resultados ainda melhores, procedendo a um aumento do número de dados de treino, e a um aumento do número de workers. Contudo, nenhum destes novos modelos exibiu um comportamento melhor que os anteriores.