Publicação: Estratégias de classificação de imagens radiológicas utilizando redes neurais convolucionais e transformada Wavelet
Carregando...
Tipo do documento
Data
Direito de acesso
Coleções
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
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.
Abstract
The outbreak of the COVID-19 pandemic has motivated massive worldwide efforts to tackle the problem, such as the simplification of protocols for accessing data repositories and metadata of the new virus and the disease. Searches for research suggest in several areas from biochemical, biological research, serological investigation to genetic engineering and information technology. In the artificial intelligence filed, deep learning techniques were used in search of support tools that would contribute to facing the pandemic. The possibility of reducing errors in the analysis of chest radiological images was a goal of such research, as they complemented the medical examination of the disease. Thus, the pandemic was the first motivation for the creation of the WCNN model and the second motivation was the observation of the use of techniques for resizing medical images to adapt to ready-made models in the literature, which can cause distortions or loss of information in the detection. of the dis-ease under study. WCNN was based on a Convolutional Neural Network (CNN) and wavelet transform. The model proposes a custom input layer, called Wave Layer, which processes the images without resizing them. To assess WCNN, an experiment was performed that exemplifies its behavior, using a set of chest CT images from patients diagnosed with COVID-19 and other lung infections. The result of the metrics Accuracy (ACC), Sensitivity (Sen) and Specificity (Sp) were 0.9819, 0.9783 and 0.98, respectively. Hence, it can be concluded that these expressive results indicate that the association of CNNs and wavelet transforms is promising for the creation of classification models.
Palavras-chave
radiografias de tórax, imagens de CT, redes neurais convolucionais, COVID- 19, wavelets, WCNN, chest X-ray, CT scans images, convolutional neural networks
Citação
SOUSA, Pedro Moises de. Estratégias de classificação de imagens radiológicas utilizando redes neurais convolucionais e transformada Wavelet. 2022. 173 f. Tese (Doutorado em Engenharia Elétrica) - Universidade Federal de Uberlândia, Uberlândia, 2022. DOI http://doi.org/10.14393/ufu.te.2022.433.
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto