Publicação: Redes neurais para classificação de testes de eletroforese de imunofixação
Carregando...
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA
Título da Revista
ISSN da Revista
Título de Volume
Orientador
Coorientador
Souza, Jefferson Rodrigo de
Resumo
Anualmente, um único laboratório pode realizar milhares de testes de imunofixação. A identificação da presença ou ausência de proteínas na amostra é geralmente feita visualmente, exigindo a expertise de um especialista. O diagnóstico correto é essencial, pois condições potencialmente prejudiciais, como a gamopatia monoclonal, podem ser diagnosticadas a partir do exame. Este estudo propõe dois métodos baseados em modelos de Machine Learning (Aprendizado de Máquina) (ML) para classificar exames de imunofixação. Os métodos utilizam uma Convolutional Neural Network (Rede Neural Convolucional) (CNN) e uma rede neural densa com um vetor de características desenvolvido manualmente. Além disso, é proposto um método de pré-processamento para dividir a imagem em tiras verticais, que atuam como regiões de interesse. Este método utiliza o histograma de intensidade de cor das imagens para dividir a imagem. Os modelos foram validados usando um novo banco de dados que contém imagens desafiadoras de imunofixação por eletroforese. Os resultados obtidos com a rede Visual Geometry Group (Grupo de Geometria Visual) (VGGNet) foram um F1-Score de 0,9088, precisão de 0,9123 e recall de 0,9060. Por outro lado, os resultados da rede neural densa foram um F1-Score de 0,9625, precisão de 0,9628 e recall de 0,9621. Ambos os modelos de ML demonstraram excelente desempenho na classificação de imagens de exames de imunofixação. Além disso, discutimos por que a rede neural densa alcançou métricas semelhantes ou melhores em comparação com o estado da arte disponível.
Abstract
Annually, a single laboratory can perform thousands of immunofixation tests. The identification of the presence or absence of proteins in the sample is usually done visually, requiring the expertise of a specialist. A correct diagnosis is essential, as potentially harmful conditions, such as monoclonal gammopathy, can be diagnosed through the test. This study proposes two methods based on Machine Learning (ML) models to classify immunofixation tests. The methods use a Convolutional Neural Network (CNN) and a regular dense network with a manually engineered feature vector. Additionally, a preprocessing method is proposed to divide the image into vertical strips, which act as regions of interest. This method uses the color intensity histogram of the images to segment the image. The models were validated using a new database containing challenging immunofixation electrophoresis images. The results obtained with the VGGNet network were an F1-Score of 0.9088, precision of 0.9123, and recall of 0.9060. On the other hand, the results of the regular neural network were an F1-Score of 0.9625, precision of 0.9628, and recall of 0.9621. Both ML models demonstrated excellent performance in classifying immunofixation test images. Furthermore, we discuss why the regular neural network achieved similar or better metrics compared to the available state-of-the-art methods.
Palavras-chave
Eletroforese de imunofixação, Rede neural, Classificação de imagens médicas, Immunofixation electrophoresis, Medical image classification, Neural network
Citação
VILARINHO FILHO, Alexandre de Cássio. Redes neurais para classificação de testes de
eletroforese de imunofixação. 2025. 71 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2025. DOI http://doi.org/10.14393/ufu.di.2025.475.
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto