Algoritmos genéticos e redes neurais convolucionais para auxílio ao diagnóstico de fraturas vertebrais por compressão

• Autor(a) principal: Rafael Silva Del Lama
• Data de Publicação: 2020
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://doi.org/10.11606/D.59.2020.tde-07122020-220625

A Fratura Vertebral por Compressão (FVC) é uma fratura do corpo vertebral relacionada a forças compressivas, com colapso parcial do corpo vertebral. As FVCs podem ocorrer secundariamente ao trauma, mas as FVCs não traumáticas podem ser secundárias à fragilidade causada por osteoporose (FVCs benignas) ou tumores (FVCs malignas). No caso de FVCs não traumáticas, a investigação da etiologia é geralmente necessária, uma vez que o tratamento e o prognóstico são dependentes do tipo da FVC. Atualmente, tem havido grande interesse no uso de Redes Neurais Convolucionais (CNNs) para a classificação de imagens médicas, pois essas redes permitem a extração automática de características interessantes para a classificação em um determinado problema. No entanto, as CNNs geralmente exigem grandes bancos de dados que muitas vezes não estão disponíveis. Além disso, essas redes geralmente não usam informações adicionais que podem ser importantes para a classificação. Uma abordagem diferente é classificar a imagem com base em um grande número de características predefinidas, uma abordagem conhecida como radiômica. Neste trabalho, propomos um método híbrido de classificação de FVCs que utiliza características de três fontes distintas: i) camadas intermediárias de CNNs; ii) radiômica; iii) informações adicionais dos pacientes e histograma de imagens. No método híbrido proposto aqui, características externas extraídas das imagens são inseridas como entradas adicionais para a primeira camada densa de uma CNN. Um Algoritmo Genético (AG) foi empregado para i) selecionar um subconjunto de características visuais, radiômicas e clínicas relevantes para a classificação de FVCs; ii) selecionar hiper-parâmetros que definem a arquitetura do modelo híbrido proposto para classificação. Experimentos usando diferentes abordagens para as entradas indicam que combinar informações pode ser interessante para melhorar o desempenho do classificador.