Detecção automática de bacilos em baciloscopia de campo claro usando aprendizado profundo e técnica de imagem mosaico

• Autor(a) principal: Serrão, Mikaela Kalline Maciel
• Data de Publicação: 2020
• Outros Autores: http://lattes.cnpq.br/5229554360048861
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFAM
• Texto Completo: https://tede.ufam.edu.br/handle/tede/7938
• topic: Tuberculose - Diagnóstico; Baciloscopia; Bacilo de Kock; Redes neurais (Computação); Imagem-mosaico (Banco de dados); ENGENHARIAS: ENGENHARIA ELÉTRICA; Tuberculose; Baciloscopia; Bacilo de Kock; Redes neurais convolutivas; Segmentação; Imagem-mosaico

A Tuberculose (Tb) é uma das 10 principais causas de morte em todo o mundo. O diagnóstico e o tratamento da Tb nos seus estados iniciais são fundamentais para o diminuir o índice de pessoas afetadas pela doença, visto que a transmissão do bacilo de Kock, o agente causador da Tb, é feito por via respiratória. Com o objetivo de auxiliar os especialistas no diagnóstico dessa doença, muitos trabalhos têm sido desenvolvidos para a detecção automática do bacilo de Kock em imagens de baciloscopia de campo claro, exame frequentemente utilizado para o diagnóstico da doença. Neste trabalho é apresentado um método de detecção de bacilos utilizando redes neurais convolucionais (RNC) para realizar a tarefa de segmentação associadas a uma técnica de construção das imagens do banco de dados que foi denominado como imagemmosaico. A metodologia consiste na implementação de redes neurais convolucionais para realizar a segmentação de objetos de interesse, no caso bacilos, em uma imagem-mosaico, seguida da contagem dos bacilos segmentados. Foram avaliadas três arquiteturas de RNC, três métodos de otimização e quatro métodos para avaliar a generalização de cada arquitetura. Ao todo foram realizadas 36 simulações. Avaliando os desempenhos das simulações, verificou-se que as redes com poucas camadas tem maior incidência de ruídos, ou seja, pixels classificados erroneamente como bacilos. Isso deve-se ao fato de que poucas camadas prejudicam o aprendizado da rede para diferenciar as classes. A arquitetura com maior quantidade de camadas, método de otimização ADAM e método de generalização com a camada dropout apresentou melhores resultados em relação às outras simulações. Esse modelo alcançou valores acima de 99% para as métricas acurácia, precisão, sensibilidade, especificidade e F1-score, métricas essas que foram utilizadas na avaliação dos modelos.