| spelling |
Gisele Lobo Pappahttp://lattes.cnpq.br/5936682335701497Erickson Rangel do NascimentoRoberto de Alencar LotufoBruno Ramos Nascimentohttp://lattes.cnpq.br/3639614012740877João Francisco Barreto da Silva Martins2022-12-30T16:42:18Z2022-12-30T16:42:18Z2021-12-13http://hdl.handle.net/1843/48529https://orcid.org/0000-0001-9029-2411Rheumatic Heart Disease (RHD) affects an estimated 39 million people worldwide and is the most common acquired heart disease in children and young adults. The disease is responsible for more than 300,000 deaths annually and ranks as a leading cause of death and disability in low- and middle-income countries but is preventable if detected early. Echocardiograms are the gold standard for diagnosis of RHD, being a very effective tool for its identification while latent. Due to equipment costs and a shortage of skilled experts, the adoption of widespread screenings for early detection and prevention of disease progression in endemic areas is still severely restricted. Recent technological advancements increased the affordability of portable echocardiographic machines, but the gap of expert shortage remains and could be bridged by the implementation of computer-aided diagnosis applications. In this work, we address the challenges of automatic diagnosis of RHD in conventional echocardiographic exams. There is no previous literature on the subject, and we hypothesized that methods developed for related tasks were unlikely to work well due to their disregard for temporal information. To test this hypothesis, we compare the performance of a 3D convolutional neural network (CNN) with a similar-sized model from the literature when predicting the presence of RHD in each video. We also propose a more sophisticated aggregation strategy to issue a whole exam diagnosis, which is supervised and based on the moments of the confidence distribution for the video predictions of the previous classifier. Experiments show that the temporal-aware model and the supervised aggregation strategy are significantly better at the task of RHD diagnosis. Finally, we present a two-stream convolutional neural network in a multi-task learning setup that uses a 2D CNN as a feature extractor but can nonetheless incorporate temporal information in the prediction through attention mechanisms. Furthermore, we propose an unsupervised aggregation strategy centered around detecting out-of-distribution videos as noisy instances, ultimately removing them from the final diagnosis process. By leveraging labels of functional abnormalities of the heart as auxiliary tasks during training, our new method is not only able to significantly outperform other baselines with an accuracy of 71.18% but is also able to provide consistent information about its decision-making process in multiple levels, mainly as temporal (relevant frames in the video) and spatial (relevant structures in a frame) visualizations. Directions for real-world adoption of this technology are discussed.Cardiopatia Reumática (CR) afeta aproximadamente 39 milhões de pessoas ao redor do mundo e é a doença cardíaca adquirida mais comum entre crianças e adolescentes. A doença é responsável por mais de 300.000 mortes anualmente e figura entre as principais causas de morte e invalidez em países de baixa e média renda mas pode ser evitada se detectada precocemente. Ecocardiogramas são o padrão ouro para o diagnóstico de CR, sendo uma ferramenta muito eficaz para sua identificação enquanto latente. Devido ao custo de equipamento e à escassez de mão de obra qualificada, a adoção em massa de programas de rastreamento para detecção precoce e prevenção da progressão da doença em áreas endêmicas ainda é severamente restrita. Avanços tecnológicos recentes diminuíram o custo de máquinas ecocardiográficas portáteis, porém a lacuna de mão de obra qualificada permanece e poderia ser preenchida através da implementação de aplicações para diagnóstico auxiliado por computador. Neste trabalho, abordamos os desafios do diagnóstico automático de CR em exames ecocardiográficos convencionais. Não há literatura prévia sobre o assunto, e hipotetizamos que os métodos desenvolvidos para tarefas relacionadas provavelmente não funcionariam tão bem devido à negligência de informações temporais. Para testar essa hipótese, comparamos o desempenho de uma rede neural convolucional (RNC) 3D com um modelo de tamanho semelhante da literatura ao prever a presença de CR em cada vídeo. Também propomos uma estratégia de agregação mais sofisticada para emitir o diagnóstico de um exame completo, que é supervisionada e baseado nos momentos da distribuição de confiança para as previsões de vídeo do classificador anterior. Experimentos mostram que o modelo com noção temporal e a estratégia de agregação supervisionada são significativamente melhores na tarefa de diagnóstico de CR. Finalmente, apresentamos uma rede neural convolucional de dois fluxos em uma configuração de aprendizado multitarefa que usa uma RNC 2D como extrator de características, mas que ainda assim é capaz de incorporar informações temporais na previsão por meio de mecanismos de atenção. Além disso, propomos uma estratégia de agregação não supervisionada que é centrada na detecção de vídeos fora da distribuição como instâncias ruidosas, eventualmente removendo-os do processo de diagnóstico final. Ao levar em conta rótulos de anormalidades funcionais do coração como tarefas auxiliares durante o treino, nosso novo método não só é capaz de superar significativamente outros métodos tomados linhas de base com uma acurácia de 71,18% mas também é capaz de fornecer informações consistentes sobre seu processo de tomada de decisão em múltiplos níveis, principalmente como visualizações temporais (quadros relevantes no vídeo) e espaciais (estruturas relevantes em um quadro). Direções para a adoção dessa tecnologia no mundo real são discutidas.engUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em Ciência da ComputaçãoUFMGBrasilICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃOComputação – TesesVisão por computador – TesesAprendizado do computador – TesesAprendizado profundo – TesesEcocardiografia – Tesesaprendizado de máquinaaprendizado profundovisão computacionalecocardiografiacardiopatia reumáticaAutomatic diagnosis of rheumatic heart disease in echocardiographic examsDiagnóstico automático de cardiopatia reumática em exames ecocardiográficosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGLICENSElicense.txtlicense.txttext/plain; charset=utf-82118https://repositorio.ufmg.br/bitstream/1843/48529/5/license.txtcda590c95a0b51b4d15f60c9642ca272MD55CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufmg.br/bitstream/1843/48529/2/license_rdfcfd6801dba008cb6adbd9838b81582abMD52ORIGINALAutomatic Diagnosis of Rheumatic Heart Disease in Echocardiographic.pdfAutomatic Diagnosis of Rheumatic Heart Disease in Echocardiographic.pdfapplication/pdf9249018https://repositorio.ufmg.br/bitstream/1843/48529/4/Automatic%20Diagnosis%20of%20Rheumatic%20Heart%20Disease%20in%20Echocardiographic.pdf141529d957afba2a121ff33c3370d926MD541843/485292022-12-30 13:42:18.563oai:repositorio.ufmg.br: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ório InstitucionalPUBhttps://repositorio.ufmg.br/oaiopendoar:2022-12-30T16:42:18Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
|