Avaliação automatizada de qualidade e adesão ao protocolo de aquisição de imagens em exames de teledermatologia

Detalhes bibliográficos
Autor(a) principal: Ribeiro, Rodrigo de Paula e Silva
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/253540
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2023.
id UFSC_e0709030dcb05e1b50ac7e6236444cbf
oai_identifier_str oai:repositorio.ufsc.br:123456789/253540
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Avaliação automatizada de qualidade e adesão ao protocolo de aquisição de imagens em exames de teledermatologiaComputaçãoTelemedicinaDermatologiaAprendizado do computadorAnálise de imagemDiagnóstico por imagemDissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2023.A avaliação da qualidade da imagem e a adesão ao protocolo de aquisição é uma área negligenciada na teledermatologia. Neste trabalho abordamos esse problema examinando se é viável utilizar métodos de aprendizado de máquina para automatizar a avaliação da entrega de exames a protocolos de aquisição de imagens. Utilizamos um conjunto de dados composto por 36.102 exames teledermatológicos realizados no Sistema Integrado de Telemedicina e Telessaúde do Estado de Santa Catarina (STT/SC) durante o ano de 2021. Neste estudo focamos nos critérios de qualidade de dois protocolos de aquisição de imagens: ( a) Imagem de Aproximação (b) Imagem Panorâmica, pois estão presentes em todos os protocolos de exames de teledermatologia atualmente empregados pelo STT/SC. Como nosso processo de validação, adotamos especificações padrão de aprendizado de máquina e um estudo de concordância entre avaliados com 11 dermatologistas. Para o protocolo de imagem de aproximação, empregamos o Mask-RCNN, uma arquitetura baseada em aprendizado profundo para detecção e segmentação de objetos, para identificar a presença de uma etiqueta de identificação da lesão e uma régua usada para fornecer uma referência de tamanho da lesão . Este método alcançou uma pontuação de 96% mAP. Para o protocolo de imagem panorâmica, empregamos Densepose, uma arquitetura de Aprendizado Profundo de estimativa de pose humana para avaliar a presença de todo o corpo do paciente e sua orientação. Este método apresentou 75% mAP. A combinação das duas abordagens foi adicionalmente validada através de um estudo de concordância interavaliadores entre especialistas e alcançou um nível de concordância de 96,68% com o método alfa de Krippendorff. resultados demonstram que é viável utilizar técnicas baseadas em aprendizado de máquina para automatizar a avaliação da qualidade da imagem e da adesão ao protocolo em teledermatologia, antes da análise manual do exame pelo especialista.Abstract: Image quality and acquisition protocol adherence assessment is a neglected area in teledermatology. In this work we address this problem by examining if it is feasible to use machine learning methods to automate the assessment of the adherence of examinations to image acquisition protocols. We employed a dataset composed of 36102 tele-dermatological examinations performed at the Santa Catarina State Integrated Telemedicine and Telehealth System (STT/SC) during the year of 2021. In this study we focused on the quality criteria of two image acquisition protocols: (a) Approximation Image (b) Panoramic Image, as these are present in all teledermatology examination protocols currently employed by STT/SC. As our validation process, we adopted standard machine learning metrics and an inter-rater agreement study with 11 dermatologists. For the Approximation Image protocol, we employed the Mask-RCNN Object Detection Deep Learning architecture to identify the presence of a lesion identification tag and a ruler used to provide a frame reference of the lesion. This method achieved a score of 96% mAP. For the Panoramic Image protocol we employed Densepose, a human pose estimation Deep Learning architecture to assess the presence of a whole patient body and its orientation. This method presented 75% mAP. A combination of the two approaches was additionally validated through an inter-rater agreement study between specialists and achieved a level of agreement of 96.68% with the Krippendorff alpha score. Our results show the feasibility of machine learning based techniques to automate the image quality and protocol adherence assessment in teledermatology, prior to the specialist's manual analysis of the examination.prior to the specialist's manual analysis of the examination.Wangenheim, Aldo v.Universidade Federal de Santa CatarinaRibeiro, Rodrigo de Paula e Silva2023-12-20T11:02:36Z2023-12-20T11:02:36Z2023info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis63 p.| il., gráfs.application/pdf385492https://repositorio.ufsc.br/handle/123456789/253540porreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2023-12-21T11:49:47Zoai:repositorio.ufsc.br:123456789/253540Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732023-12-21T11:49:47Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Avaliação automatizada de qualidade e adesão ao protocolo de aquisição de imagens em exames de teledermatologia
title Avaliação automatizada de qualidade e adesão ao protocolo de aquisição de imagens em exames de teledermatologia
spellingShingle Avaliação automatizada de qualidade e adesão ao protocolo de aquisição de imagens em exames de teledermatologia
Ribeiro, Rodrigo de Paula e Silva
Computação
Telemedicina
Dermatologia
Aprendizado do computador
Análise de imagem
Diagnóstico por imagem
title_short Avaliação automatizada de qualidade e adesão ao protocolo de aquisição de imagens em exames de teledermatologia
title_full Avaliação automatizada de qualidade e adesão ao protocolo de aquisição de imagens em exames de teledermatologia
title_fullStr Avaliação automatizada de qualidade e adesão ao protocolo de aquisição de imagens em exames de teledermatologia
title_full_unstemmed Avaliação automatizada de qualidade e adesão ao protocolo de aquisição de imagens em exames de teledermatologia
title_sort Avaliação automatizada de qualidade e adesão ao protocolo de aquisição de imagens em exames de teledermatologia
author Ribeiro, Rodrigo de Paula e Silva
author_facet Ribeiro, Rodrigo de Paula e Silva
author_role author
dc.contributor.none.fl_str_mv Wangenheim, Aldo v.
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Ribeiro, Rodrigo de Paula e Silva
dc.subject.por.fl_str_mv Computação
Telemedicina
Dermatologia
Aprendizado do computador
Análise de imagem
Diagnóstico por imagem
topic Computação
Telemedicina
Dermatologia
Aprendizado do computador
Análise de imagem
Diagnóstico por imagem
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2023.
publishDate 2023
dc.date.none.fl_str_mv 2023-12-20T11:02:36Z
2023-12-20T11:02:36Z
2023
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 385492
https://repositorio.ufsc.br/handle/123456789/253540
identifier_str_mv 385492
url https://repositorio.ufsc.br/handle/123456789/253540
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 63 p.| il., gráfs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808651898491764736

Registros relacionados