Estratégias de classificação de imagens radiológicas utilizando redes neurais convolucionais e transformada Wavelet

• Autor(a) principal: Sousa, Pedro Moises de
• Data de Publicação: 2022
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UFU
• Texto Completo: https://repositorio.ufu.br/handle/123456789/35410; http://doi.org/10.14393/ufu.te.2022.433
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO; radiografias de tórax; imagens de CT; redes neurais convolucionais; COVID- 19; wavelets; WCNN; chest X-ray; CT scans images; convolutional neural networks; Engenharia elétrica; Tórax - Radiografia; Redes neurais (Computação); Wavelets (Matemática)

A irrupção pandêmica de COVID-19 motivou a efetivação mundial de esforços maciços para enfrentar o problema, como a simplificação de protocolos de acesso a repositórios de dados e metadados do novo vírus e da doença. As buscas por pesquisas sugiram em diversas áreas desde pesquisas bioquímicas, biológicas, investigação sorológica até engenharia genética e tecnologia da informação. Na área da inteligência artificial, as técnicas de deep learning foram utilizadas em busca de ferramentas de apoio que contribuíssem para o enfrentamento da pandemia. A possibilidade de reduzir erros da análise das imagens radiológicas de tórax era uma finalidade, pois elas complementavam o exame médico da doença. Assim, a pandemia foi a primeira motivação para a criação do modelo WCNN (Wavelet Convolutional Neural Network) e a segunda motivação foi a observação do uso de técnicas de redimensionamento das imagens médicas para se adequarem a modelos prontos da literatura, o que pode causar distorções ou perda de informações na detecção da doença em estudo. WCNN foi baseado em uma Rede Neural Convolucional (CNN) e transformada wavelet. O modelo propõe uma camada de entrada customizada, chamada Wave Layer, que processa as imagens sem redimensioná-las. Para avaliar a WCNN, foi realizado um experimento que exemplifica seu comportamento, utilizando um conjunto de imagens de TC de tórax de pacientes diagnosticados com COVID-19 e outras infecções pulmonares. O resultado das métricas Acurácia (ACC), Sensibilidade (Sen) e Especificidade (Sp) foram 0,9819, 0,9783 e 0,98, respectivamente. Daí conclui-se que estes resultados expressivos indicam que a associação de CNNs e transformadas wavelets é promissora para a criação de modelos de classificação.