Detecção do Mycobacterium tuberculosis em imagens de baciloscopia de campo claro utilizando redes neurais convolutivas

• Autor(a) principal: López, Yadini Pérez
• Data de Publicação: 2018
• Outros Autores: http://lattes.cnpq.br/7212205740172600
• 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
• topic: Mycobacterium tuberculosis - Detecção; Mycobacterium tuberculosis - Identificação; Redes Neurais Convolutivas; Algoritmo Non-maximum Suppression; ENGENHARIAS: ENGENHARIA ELÉTRICA

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%.