Detecção do Mycobacterium tuberculosis em imagens de baciloscopia de campo claro utilizando redes neurais convolutivas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Outros Autores: | |
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/6524 |
Resumo: | A Tuberculose (TB) é uma doença causada por uma bactéria de crescimento lento, Mycobacterium tuberculosis (MT) e desde o ano 2000 tem sido incluída entre as dez causas principais de morte a nível mundial. No ano 2015 o Brasil ocupou a 18ª posição em incidência de tuberculose, representando 9% dos casos estimados no mundo, e 33% dos estimados para as Américas. O exame de baciloscopia de campo claro é o mais utilizado em países em desenvolvimento para o diagnóstico e acompanhamento da doença. Desde o ano de 2008 têm sido desenvolvidos trabalhos pela comunidade científica focados na detecção do bacilo da TB visando a automatização da baciloscopia de campo claro. Esses estudos utilizaram bases de dados com diferentes quantidades de imagens, exploraram aspectos de cor dos bacilos e aplicaram técnicas de Processamento Digital de Imagens e/ou Aprendizado de Máquina, e mais recentemente Aprendizado de Máquina Profundo. Entretanto, verificou-se que técnicas de Aprendizado de Máquina Profundo não têm sido exploradas utilizando bases de dados de imagens de baciloscopia robustas que refletem as condições reais dos exames de baciloscopia de campo claro. O presente trabalho visa o desenvolvimento de um método de detecção automática do bacilo da TB mediante a utilização de Redes Neurais Convolutivas (RNC), utilizando conjuntos de imagens baciloscópicas de 2 pacientes nos formatos de cor RGB, R-G e Escala de Cinza. Para atingir o objetivo proposto, foi gerada uma base de dados de patches contendo bacilos (positivos) e patches sem bacilos (negativos), os quais foram utilizados no treinamento de três arquiteturas diferentes de RNC. Posteriormente, foi aplicado o algoritmo Non-maximum Suppression utilizando imagens completas de baciloscopia para detectar cada bacilo. Os melhores resultados na etapa de classificação de patches foram obtidos utilizando as imagens de baciloscopia R-G e RGB e dois modelos RNC de duas e três camadas convolutivas, alcançando uma acurácia de 99%. Na etapa final de detecção dos bacilos nas imagens completas de baciloscopia os melhores resultados foram alcançados utilizando as imagens no formato RGB atingindo um Precision de 56,82%, um Recall de 86,15% e um F1-score de 68,47%. |
id |
UFAM_e80bb02fc5713ce8adb152bd050a1ee1 |
---|---|
oai_identifier_str |
oai:https://tede.ufam.edu.br/handle/:tede/6524 |
network_acronym_str |
UFAM |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFAM |
repository_id_str |
6592 |
spelling |
Detecção do Mycobacterium tuberculosis em imagens de baciloscopia de campo claro utilizando redes neurais convolutivasMycobacterium tuberculosis - DetecçãoMycobacterium tuberculosis - IdentificaçãoRedes Neurais ConvolutivasAlgoritmo Non-maximum SuppressionENGENHARIAS: ENGENHARIA ELÉTRICAA Tuberculose (TB) é uma doença causada por uma bactéria de crescimento lento, Mycobacterium tuberculosis (MT) e desde o ano 2000 tem sido incluída entre as dez causas principais de morte a nível mundial. No ano 2015 o Brasil ocupou a 18ª posição em incidência de tuberculose, representando 9% dos casos estimados no mundo, e 33% dos estimados para as Américas. O exame de baciloscopia de campo claro é o mais utilizado em países em desenvolvimento para o diagnóstico e acompanhamento da doença. Desde o ano de 2008 têm sido desenvolvidos trabalhos pela comunidade científica focados na detecção do bacilo da TB visando a automatização da baciloscopia de campo claro. Esses estudos utilizaram bases de dados com diferentes quantidades de imagens, exploraram aspectos de cor dos bacilos e aplicaram técnicas de Processamento Digital de Imagens e/ou Aprendizado de Máquina, e mais recentemente Aprendizado de Máquina Profundo. Entretanto, verificou-se que técnicas de Aprendizado de Máquina Profundo não têm sido exploradas utilizando bases de dados de imagens de baciloscopia robustas que refletem as condições reais dos exames de baciloscopia de campo claro. O presente trabalho visa o desenvolvimento de um método de detecção automática do bacilo da TB mediante a utilização de Redes Neurais Convolutivas (RNC), utilizando conjuntos de imagens baciloscópicas de 2 pacientes nos formatos de cor RGB, R-G e Escala de Cinza. Para atingir o objetivo proposto, foi gerada uma base de dados de patches contendo bacilos (positivos) e patches sem bacilos (negativos), os quais foram utilizados no treinamento de três arquiteturas diferentes de RNC. Posteriormente, foi aplicado o algoritmo Non-maximum Suppression utilizando imagens completas de baciloscopia para detectar cada bacilo. Os melhores resultados na etapa de classificação de patches foram obtidos utilizando as imagens de baciloscopia R-G e RGB e dois modelos RNC de duas e três camadas convolutivas, alcançando uma acurácia de 99%. Na etapa final de detecção dos bacilos nas imagens completas de baciloscopia os melhores resultados foram alcançados utilizando as imagens no formato RGB atingindo um Precision de 56,82%, um Recall de 86,15% e um F1-score de 68,47%.Tuberculosis (TB) is a disease caused by a slow-growing bacterium named Mycobacterium tuberculosis (MT). Since 2000 has been included among the top 10 leading causes of death worldwide. In 2015, Brazil ranked eighteenth in TB incidence, representing 9% and 33% of the estimated cases worldwide and for the Americas respectively. Light field smear microscopy is the most commonly used exam in developing countries for diagnosis and follow-up of the disease. Since 2008, several researches have been developed focused on TB bacillus detection, aiming the automation of light field smear microscopy. These studies used datasets with different amounts of images, explored different color aspects of bacilli, and applied Digital Image Processing and / or Machine Learning techniques, and more recently, Deep Learning using Grayscale images. However, Deep Learning techniques have not been explored using a robust smear microscopy image dataset that reflect real conditions of smear microscopy exams. This work presents a method for automatic detection of TB bacillus using Convolutional Neural Networks (CNN) using a dataset of images taken from 2 patients in RGB, R-G and Grayscale color formats. To reach the proposed goal, a patch dataset containing bacilli (positive patches) and without bacilli (negative patches) was generated. This patch dataset was used for training three different RNC architectures. Then, Non-maximum Suppression (NMS) algorithm was applied using CNN models and complete smear images for bacillus detection. Best results in the patch classification stage were obtained using R-G and RGB images and two CNN models, achieving an accuracy of 99% in both cases. At final stage, Bacilli detection in full smear images, best results were achieved using RGB images reaching a Precision of 56,82%, Recall of 86,15% and F1-score of 68,47%.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorUniversidade Federal do AmazonasFaculdade de TecnologiaBrasilUFAMPrograma de Pós-graduação em Engenharia ElétricaCosta, Marly Guimarães Fernandeshttp://lattes.cnpq.br/7169358412541736Pereira, José Raimundo GomesFujimoto, Luciana Botinelly MendonçaLópez, Yadini Pérezhttp://lattes.cnpq.br/72122057401726002018-08-03T12:41:36Z2018-04-13info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfLÓPEZ, Yadini Pérez. Detecção do Mycobacterium tuberculosis em imagens de baciloscopia de campo claro utilizando redes neurais convolutivas. 2018. 114 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus, 2018.https://tede.ufam.edu.br/handle/tede/6524porhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFAMinstname:Universidade Federal do Amazonas (UFAM)instacron:UFAM2018-08-04T05:03:35Zoai:https://tede.ufam.edu.br/handle/:tede/6524Biblioteca Digital de Teses e Dissertaçõeshttp://200.129.163.131:8080/PUBhttp://200.129.163.131:8080/oai/requestddbc@ufam.edu.br||ddbc@ufam.edu.bropendoar:65922018-08-04T05:03:35Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM)false |
dc.title.none.fl_str_mv |
Detecção do Mycobacterium tuberculosis em imagens de baciloscopia de campo claro utilizando redes neurais convolutivas |
title |
Detecção do Mycobacterium tuberculosis em imagens de baciloscopia de campo claro utilizando redes neurais convolutivas |
spellingShingle |
Detecção do Mycobacterium tuberculosis em imagens de baciloscopia de campo claro utilizando redes neurais convolutivas López, Yadini Pérez Mycobacterium tuberculosis - Detecção Mycobacterium tuberculosis - Identificação Redes Neurais Convolutivas Algoritmo Non-maximum Suppression ENGENHARIAS: ENGENHARIA ELÉTRICA |
title_short |
Detecção do Mycobacterium tuberculosis em imagens de baciloscopia de campo claro utilizando redes neurais convolutivas |
title_full |
Detecção do Mycobacterium tuberculosis em imagens de baciloscopia de campo claro utilizando redes neurais convolutivas |
title_fullStr |
Detecção do Mycobacterium tuberculosis em imagens de baciloscopia de campo claro utilizando redes neurais convolutivas |
title_full_unstemmed |
Detecção do Mycobacterium tuberculosis em imagens de baciloscopia de campo claro utilizando redes neurais convolutivas |
title_sort |
Detecção do Mycobacterium tuberculosis em imagens de baciloscopia de campo claro utilizando redes neurais convolutivas |
author |
López, Yadini Pérez |
author_facet |
López, Yadini Pérez http://lattes.cnpq.br/7212205740172600 |
author_role |
author |
author2 |
http://lattes.cnpq.br/7212205740172600 |
author2_role |
author |
dc.contributor.none.fl_str_mv |
Costa, Marly Guimarães Fernandes http://lattes.cnpq.br/7169358412541736 Pereira, José Raimundo Gomes Fujimoto, Luciana Botinelly Mendonça |
dc.contributor.author.fl_str_mv |
López, Yadini Pérez http://lattes.cnpq.br/7212205740172600 |
dc.subject.por.fl_str_mv |
Mycobacterium tuberculosis - Detecção Mycobacterium tuberculosis - Identificação Redes Neurais Convolutivas Algoritmo Non-maximum Suppression ENGENHARIAS: ENGENHARIA ELÉTRICA |
topic |
Mycobacterium tuberculosis - Detecção Mycobacterium tuberculosis - Identificação Redes Neurais Convolutivas Algoritmo Non-maximum Suppression ENGENHARIAS: ENGENHARIA ELÉTRICA |
description |
A Tuberculose (TB) é uma doença causada por uma bactéria de crescimento lento, Mycobacterium tuberculosis (MT) e desde o ano 2000 tem sido incluída entre as dez causas principais de morte a nível mundial. No ano 2015 o Brasil ocupou a 18ª posição em incidência de tuberculose, representando 9% dos casos estimados no mundo, e 33% dos estimados para as Américas. O exame de baciloscopia de campo claro é o mais utilizado em países em desenvolvimento para o diagnóstico e acompanhamento da doença. Desde o ano de 2008 têm sido desenvolvidos trabalhos pela comunidade científica focados na detecção do bacilo da TB visando a automatização da baciloscopia de campo claro. Esses estudos utilizaram bases de dados com diferentes quantidades de imagens, exploraram aspectos de cor dos bacilos e aplicaram técnicas de Processamento Digital de Imagens e/ou Aprendizado de Máquina, e mais recentemente Aprendizado de Máquina Profundo. Entretanto, verificou-se que técnicas de Aprendizado de Máquina Profundo não têm sido exploradas utilizando bases de dados de imagens de baciloscopia robustas que refletem as condições reais dos exames de baciloscopia de campo claro. O presente trabalho visa o desenvolvimento de um método de detecção automática do bacilo da TB mediante a utilização de Redes Neurais Convolutivas (RNC), utilizando conjuntos de imagens baciloscópicas de 2 pacientes nos formatos de cor RGB, R-G e Escala de Cinza. Para atingir o objetivo proposto, foi gerada uma base de dados de patches contendo bacilos (positivos) e patches sem bacilos (negativos), os quais foram utilizados no treinamento de três arquiteturas diferentes de RNC. Posteriormente, foi aplicado o algoritmo Non-maximum Suppression utilizando imagens completas de baciloscopia para detectar cada bacilo. Os melhores resultados na etapa de classificação de patches foram obtidos utilizando as imagens de baciloscopia R-G e RGB e dois modelos RNC de duas e três camadas convolutivas, alcançando uma acurácia de 99%. Na etapa final de detecção dos bacilos nas imagens completas de baciloscopia os melhores resultados foram alcançados utilizando as imagens no formato RGB atingindo um Precision de 56,82%, um Recall de 86,15% e um F1-score de 68,47%. |
publishDate |
2018 |
dc.date.none.fl_str_mv |
2018-08-03T12:41:36Z 2018-04-13 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
LÓPEZ, Yadini Pérez. Detecção do Mycobacterium tuberculosis em imagens de baciloscopia de campo claro utilizando redes neurais convolutivas. 2018. 114 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus, 2018. https://tede.ufam.edu.br/handle/tede/6524 |
identifier_str_mv |
LÓPEZ, Yadini Pérez. Detecção do Mycobacterium tuberculosis em imagens de baciloscopia de campo claro utilizando redes neurais convolutivas. 2018. 114 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus, 2018. |
url |
https://tede.ufam.edu.br/handle/tede/6524 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Federal do Amazonas Faculdade de Tecnologia Brasil UFAM Programa de Pós-graduação em Engenharia Elétrica |
publisher.none.fl_str_mv |
Universidade Federal do Amazonas Faculdade de Tecnologia Brasil UFAM Programa de Pós-graduação em Engenharia Elétrica |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFAM instname:Universidade Federal do Amazonas (UFAM) instacron:UFAM |
instname_str |
Universidade Federal do Amazonas (UFAM) |
instacron_str |
UFAM |
institution |
UFAM |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFAM |
collection |
Biblioteca Digital de Teses e Dissertações da UFAM |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM) |
repository.mail.fl_str_mv |
ddbc@ufam.edu.br||ddbc@ufam.edu.br |
_version_ |
1809732028183085056 |