Classificação multirrótulos de radiografias de tórax utilizando aprendizado de máquina profundo
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
Texto Completo: | https://hdl.handle.net/20.500.12733/1641322 |
Resumo: | Orientadores: Zanoni Dias, Hélio Pedrini |
id |
UNICAMP-30_0380787ebd6ca07e5de245b512742a5b |
---|---|
oai_identifier_str |
oai::1164514 |
network_acronym_str |
UNICAMP-30 |
network_name_str |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
repository_id_str |
|
spelling |
Classificação multirrótulos de radiografias de tórax utilizando aprendizado de máquina profundoMulti-label classification of chest x-rays using deep learningClassificação de imagemAprendizado de máquinaTórax - RadiografiaImage classificationMachine learningChest - RadiographyOrientadores: Zanoni Dias, Hélio PedriniDissertação (mestrado) - Universidade Estadual de Campinas, Instituto de ComputaçãoResumo: A radiografia de tórax é um dos exames radiológicos mais acessíveis para triagem e diagnóstico de possíveis doenças no pulmão e no coração. Além disso, esse tipo de exame é utilizado para identificar se dispositivos como marca-passos, cateteres venosos e tubos estão posicionados corretamente. Nos últimos anos, muita atenção e muitos esforços foram dedicados para melhorar os sistemas de Diagnóstico Auxiliado por Computador, sendo a classificação de imagens médicas um dos problemas principais abordados. Técnicas de Aprendizado Profundo têm sido cada vez mais utilizadas para fornecer predições de detecção e classificação de patologias e lesões em imagens de radiografias de tórax. Considerando essas informações, propomos um método para classificação de imagens de radiografia de tórax, denominado DuaLAnet, utilizando técnicas de aprendizado profundo, como redes neurais convolucionais e módulos de atenção. O nosso método tem como objetivo explorar a complementaridade entre redes neurais convolucionais e módulos de atenção para direcionar o aprendizado sobre as classes, mostrando que a combinação de informações complementares extraídas das imagens de radiografia de tórax possui uma melhor taxa de predição do que quando utilizamos somente uma rede neural. Para validar o nosso método, utilizamos as bases de dados ChestX-ray14 e CheXpert, que possuem uma grande variedade de imagens de radiografias de tórax com 14 classes cada uma. Realizamos experimentos para verificar a melhor forma de inicializar os pesos das redes neurais, considerando a inicialização a partir da ImageNet e a partir da base de dados de radiografia que não está sendo utilizada no treinamento. Além disso, experimentamos quatro tipos de arquiteturas e suas variações para verificar quais as redes neurais que deveríamos utilizar como extratoras de características. Depois, verificamos qual o módulo de atenção que se adequava melhor a cada extratora de característica escolhida previamente, entre as seguintes opções de módulo de atenção: Class Activation Mapping (CAM), Soft Activation Mapping (SAM) e Feature Pyramid Attention (FPA). Por fim, realizamos os experimentos com o método DuaLAnet, após as escolhas de configurações que melhor se adequavam em cada base de dados. Os resultados obtidos mostram que o nosso método possui uma taxa de acerto AUROC competitiva, em comparação com os métodos do estado da arte na base de dados ChestX-ray14, e vários caminhos que podemos seguir para melhorar a taxa de acerto na base de dados CheXpertAbstract: Chest X-ray is one of the most accessible radiological exams for screening and diagnosing possible lung and heart diseases. In addition, this type of examination is used to identify whether devices such as pacemakers, venous catheters and tubes are correctly positioned. In recent years, much attention and efforts have been devoted to improving Computer Aided Diagnostic systems, with the classification of medical images being one of the main problems addressed. Deep Learning techniques have been increasingly used to provide predictions for the detection and classification of pathologies and lesions in chest X-ray images. Considering this information, we propose a method to classify chest X-ray images, called DuaLAnet, using deep learning techniques, such as convolutional neural networks and attention mechanisms. Our method aims to explore the complementarity between convolutional neural networks and attention modules to guide the learning process regarding the distinct classes, showing that the combination of complementary information extracted from chest X-ray images has a better rate of prediction when compared with the case with only a neural network. To validate our method, we use the ChestX-ray14 and CheXpert datasets, which have a wide variety of chest X-ray images with 14 classes each. We carried out experiments to verify the best way to initialize the weights of the neural networks, considering the initialization from ImageNet and from the radiography dataset that is not being used in the training. In addition, we experimented with four types of architectures and their variations to check which neural networks we should use as feature extractors. Then, we checked which attention mechanism was best suited to each feature extractor chosen previously, from the following attention mechanisms options: Class Activation Mapping (CAM), Soft Activation Mapping (SAM), and Feature Pyramid Attention (FPA). Finally, we carried out the experiments with the DuaLAnet method, after choosing the settings that best fit each dataset. The obtained results indicate that our method has a competitive AUROC score, compared to state-of-the-art methods in the ChestX-ray14 dataset, and several ways we can follow to improve the hit rate in the base CheXpert datasetMestradoCiência da ComputaçãoMestre em Ciência da ComputaçãoCAPESFAPESP2019/20875-8[s.n.]Dias, Zanoni, 1975-Pedrini, Hélio, 1963-Boccato, LevyFerreira, Alexandre MelloUniversidade Estadual de Campinas (UNICAMP). Instituto de ComputaçãoPrograma de Pós-Graduação em Ciência da ComputaçãoUNIVERSIDADE ESTADUAL DE CAMPINASMelo, Vinicius Teixeira de, 1998-20212021-04-08T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (62 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/1641322MELO, Vinicius Teixeira de. Classificação multirrótulos de radiografias de tórax utilizando aprendizado de máquina profundo. 2021. 1 recurso online (62 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1641322. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1164514Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2021-05-11T16:52:15Zoai::1164514Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2021-05-11T16:52:15Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false |
dc.title.none.fl_str_mv |
Classificação multirrótulos de radiografias de tórax utilizando aprendizado de máquina profundo Multi-label classification of chest x-rays using deep learning |
title |
Classificação multirrótulos de radiografias de tórax utilizando aprendizado de máquina profundo |
spellingShingle |
Classificação multirrótulos de radiografias de tórax utilizando aprendizado de máquina profundo Melo, Vinicius Teixeira de, 1998- Classificação de imagem Aprendizado de máquina Tórax - Radiografia Image classification Machine learning Chest - Radiography |
title_short |
Classificação multirrótulos de radiografias de tórax utilizando aprendizado de máquina profundo |
title_full |
Classificação multirrótulos de radiografias de tórax utilizando aprendizado de máquina profundo |
title_fullStr |
Classificação multirrótulos de radiografias de tórax utilizando aprendizado de máquina profundo |
title_full_unstemmed |
Classificação multirrótulos de radiografias de tórax utilizando aprendizado de máquina profundo |
title_sort |
Classificação multirrótulos de radiografias de tórax utilizando aprendizado de máquina profundo |
author |
Melo, Vinicius Teixeira de, 1998- |
author_facet |
Melo, Vinicius Teixeira de, 1998- |
author_role |
author |
dc.contributor.none.fl_str_mv |
Dias, Zanoni, 1975- Pedrini, Hélio, 1963- Boccato, Levy Ferreira, Alexandre Mello Universidade Estadual de Campinas (UNICAMP). Instituto de Computação Programa de Pós-Graduação em Ciência da Computação UNIVERSIDADE ESTADUAL DE CAMPINAS |
dc.contributor.author.fl_str_mv |
Melo, Vinicius Teixeira de, 1998- |
dc.subject.por.fl_str_mv |
Classificação de imagem Aprendizado de máquina Tórax - Radiografia Image classification Machine learning Chest - Radiography |
topic |
Classificação de imagem Aprendizado de máquina Tórax - Radiografia Image classification Machine learning Chest - Radiography |
description |
Orientadores: Zanoni Dias, Hélio Pedrini |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021 2021-04-08T00:00:00Z |
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 |
https://hdl.handle.net/20.500.12733/1641322 MELO, Vinicius Teixeira de. Classificação multirrótulos de radiografias de tórax utilizando aprendizado de máquina profundo. 2021. 1 recurso online (62 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1641322. Acesso em: 3 set. 2024. |
url |
https://hdl.handle.net/20.500.12733/1641322 |
identifier_str_mv |
MELO, Vinicius Teixeira de. Classificação multirrótulos de radiografias de tórax utilizando aprendizado de máquina profundo. 2021. 1 recurso online (62 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1641322. Acesso em: 3 set. 2024. |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
https://repositorio.unicamp.br/acervo/detalhe/1164514 Requisitos do sistema: Software para leitura de arquivo em PDF |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf 1 recurso online (62 p.) : il., digital, arquivo PDF. |
dc.publisher.none.fl_str_mv |
[s.n.] |
publisher.none.fl_str_mv |
[s.n.] |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) instname:Universidade Estadual de Campinas (UNICAMP) instacron:UNICAMP |
instname_str |
Universidade Estadual de Campinas (UNICAMP) |
instacron_str |
UNICAMP |
institution |
UNICAMP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
collection |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP) |
repository.mail.fl_str_mv |
sbubd@unicamp.br |
_version_ |
1809189173128593408 |