Auxílio ao diagnóstico de acidente vascular cerebral utilizando redes de boltzmann e agregação de informação com a transformada de Fourier

• Autor(a) principal: Roder, Mateus
• Data de Publicação: 2023
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/244321
• topic: AVC; Máquinas de Boltzmann restritas; Redes neurais convolucionais; Aprendizado profundo; Stroke; Restricted Boltzmann machines; Convolutional neural networks; Deep learning

Na última década, técnicas de aprendizado profundo (do inglês, Deep Learning - DL) têm sido amplamente pesquisadas e aplicadas a diversos problemas, abrangendo uma vasta gama que vai desde sistemas de recomendação de produtos para consumidores, até aplicações na área médica, como a classificação de acidente vascular cerebral (AVC), e do pré-processamento de imagens médicas. No entanto, mesmo com excelentes resultados nas tarefas de visão computacional mencionadas, ainda há áreas a serem exploradas à medida que os problemas tornam-se cada vez mais complexos, ou as aplicações do mundo real exigem novas restrições que prejudicam/limitam o desempenho das técnicas estado-da-arte. Com relação à classificação de acidente vascular cerebral, um problema de suprimento sanguíneo cerebral, pode-se observar algumas dificuldades nas pesquisas acadêmicas realizadas, como a falta de grandes conjuntos de dados para treinar redes neurais profundas, falta de imagens anotadas para utilizar o paradigma de aprendizado supervisionado, e a dificuldade em encontrar trabalhos com redes neurais de baixa complexidade, como as Máquinas de Boltzmann Restritas. Deste modo, o presente trabalho atua no estudo e desenvolvimento de modelos baseados em Máquinas de Boltzmann aplicados no contexto da classificação de acidente vascular cerebral, empregando redes neurais artificiais treinadas através dos paradigmas de aprendizado não-supervisionado e supervisionado, utilizando um banco de dados público com baixo volume de dados rotulados (principalmente para o ajuste-fino supervisionado), concomitante à transformada de Fourier para adicionar informação relevante aos modelos. Os resultados atingidos foram expressivos e apontam para um novo estado-da-arte do conjunto de dados empregado nesta tese, com taxas de acerto médias iguais a 99,94%. Além disso, a metodologia proposta que adiciona informação multimodal por meio da transformada de Fourier impactou positivamente no desempenho preditivo dos modelos. Por fim, a abordagem empregada utilizando Máquinas de Boltzmann Restritas e Redes de Crença Profundas, bem como suas variantes convolucionais, são mais simples que as estado-da-arte baseadas em redes neurais convolucionais padrão.