| spelling |
Frederico Gadelha Guimarãeshttp://lattes.cnpq.br/2472681535872194Ricardo de Oliveira DuarteSilvana Spíndola de MirandaKarla Tereza Figueiredo LeiteDomingos AlvesAndrea Gomes Campos BianchiLida Jouca de Assis Figueredohttp://lattes.cnpq.br/0953610585242301Thales Francisco Mota Carvalho2024-02-26T18:14:32Z2024-02-26T18:14:32Z2023-12-14http://hdl.handle.net/1843/64734A tuberculose (TB) permanece como uma das doenças infecciosas mais mortais globalmente, necessitando de métodos de diagnóstico rápidos e precisos. A baciloscopia, uma técnica microscópica para identificar bacilos da TB, é prevalente devido à sua simplicidade e custo acessível, entretanto é uma abordagem cansativa, totalmente manual e necessita de treinamento intensivo do examinador. Neste sentido, este trabalho investiga a aplicação de técnicas de Aprendizado Profundo (DL, do inglês Deep Learning) para auxiliar o examinador e aprimorar a acurácia da baciloscopia. Para isso, foi conduzido uma avaliação extensiva de vários modelos de redes neurais convolucionais e métodos de detecção de objetos em diversos conjuntos de dados, visando compreender sua performance e aplicabilidade na detecção e contagem dos bacilos da TB. Em complemento, visando aprimorar a performance dos modelos, são propostas e avaliadas várias estratégias, incluindo criação de um novo conjunto de dados público, técnicas de aumento de dados, estratégias de particionamento de imagens e a implementação de um sistema de votação para facilitar a anotação de imagens para treinamento. O aumento de dados provou ser essencial para aumentar a robustez dos modelos, enquanto o particionamento de imagens melhorou o desempenho e possibilitou o tratamento de variações no tamanho das imagens, mantendo parâmetros de modelos padronizados. O sistema de votação proposto tem o potencial de ser tornar uma ferramenta valiosa para a criação de conjuntos de treinamento personalizados, vital para a generalização dos modelos em diferentes contextos. Também foi desenvolvido um protótipo de software de Diagnóstico Auxiliado por Computador, integrando as técnicas e modelos avaliados, visando auxiliar o examinador durante a contagem dos bacilos no diagnóstico da TB. Este protótipo representa um avanço significativo para a aplicação prática de técnicas de DL na baciloscopia, com potencial para acelerar e tornar mais preciso o processo de diagnóstico. Os experimentos realizados forneceram revelações sobre as possibilidades e limitações do uso de DL na detecção de bacilos da TB, sendo avaliado também o potencial de um diagnostico autônomo. Esta pesquisa contribui substancialmente para o campo, oferecendo uma análise detalhada do uso de DL no diagnóstico da TB via baciloscopia, e métodos que possam ser testados em ambientes reais. Em síntese, esta tese fornece um panorama aprofundado sobre a implementação de DL na detecção de bacilos da TB, ressaltando suas potencialidades, desafios e estabelecendo uma base sólida para pesquisas futuras e aplicações práticas.Tuberculosis (TB) remains one of the deadliest infectious diseases globally, necessitating rapid and accurate diagnostic methods. Sputum smear microscopy, a microscopic technique to identify TB bacilli, is prevalent due to its simplicity and affordable cost. However, it is a laborious, entirely manual approach that requires intensive training of the examiner. In this context, this work investigates the application of Deep Learning (DL) techniques to assist the examiner and enhance the accuracy of sputum smear microscopy. For this, an extensive evaluation of various convolutional neural network models and object detection methods was conducted on diverse datasets, aiming to understand their performance and applicability in detecting and counting TB bacilli. In addition, aiming to improve the models performance, several strategies are proposed and evaluated, including creating a new public dataset, data augmentation techniques, image partitioning strategies, and implementing a voting system to facilitate the annotation of images for training. Data augmentation proved to be essential for increasing the models robustness, while image partitioning improved performance and allowed for handling variations in image size, maintaining standardized model parameters. The proposed voting system has the potential to become a valuable tool for creating customized training sets, vital for the generalization of models in different contexts. A Computer-Aided Diagnosis software prototype was also developed, integrating the assessed techniques and models, aiming to assist the examiner during the counting of bacilli in TB diagnosis. This prototype represents a significant advancement for the practical application of DL techniques in sputum smear microscopy, with the potential to accelerate and make the diagnostic process more precise. The experiments conducted provided insights into the possibilities and limitations of using DL in TB bacilli detection, also evaluating the potential for autonomous diagnosis. This research substantially contributes to the field, offering a detailed analysis of the use of DL in TB diagnosis via sputum smear microscopy, and methods that can be tested in real environments. In summary, this thesis provides an in-depth overview of the implementation of DL in TB bacilli detection, highlighting its potentialities, challenges, and establishing a solid foundation for future research and practical applications.porUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em Engenharia ElétricaUFMGBrasilENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICAhttp://creativecommons.org/licenses/by-nc-nd/3.0/pt/info:eu-repo/semantics/openAccessEngenharia elétricaInteligência computacionalAprendizado profundoTuberculose - DiagnósticoTuberculoseDiagnósticoSegmentação de imagemAprendizado profundoTécnicas de inteligência computacional aplicadas ao diagnóstico de tuberculoseinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALTese - Thales F. M. Carvalho - PPGEE - UFMG - Versão Final.pdfTese - Thales F. M. Carvalho - PPGEE - UFMG - Versão Final.pdfapplication/pdf79696425https://repositorio.ufmg.br/bitstream/1843/64734/1/Tese%20-%20Thales%20F.%20M.%20Carvalho%20-%20PPGEE%20-%20UFMG%20-%20Vers%c3%a3o%20Final.pdfb13ac1ccb3873317984924cf1d75e4c7MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufmg.br/bitstream/1843/64734/2/license_rdfcfd6801dba008cb6adbd9838b81582abMD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82118https://repositorio.ufmg.br/bitstream/1843/64734/3/license.txtcda590c95a0b51b4d15f60c9642ca272MD531843/647342024-02-26 15:14:32.791oai:repositorio.ufmg.br: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ório InstitucionalPUBhttps://repositorio.ufmg.br/oaiopendoar:2024-02-26T18:14:32Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
|