DCCMAPI/CCET

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: LUIS HENRIQUE SILVA VOGADO
DATA: 25/09/2024
HORA: 08:00
LOCAL: Sala Virtual do Google Meet
TÍTULO: Classificação Hierárquica de radiografias do Tórax com Comitê de Redes Neurais Convolucionais
PALAVRAS-CHAVES: Análise de Imagens, Aprendizado de Máquina, Classificação de Imagens, Diagnóstico Assistido por Computador, raio-x de tórax
PÁGINAS: 62
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
ESPECIALIDADE: Processamento Gráfico (Graphics)
RESUMO: As radiografias de tórax, ou raios X de tórax, são os exames de imagem mais utilizados diariamente nos hospitais. Responsável por auxiliar na detecção de inúmeras patologias e achados que interferem diretamente na vida do paciente, esse exame é, portanto, fundamental na triagem dos pacientes. O uso de técnicas de visão computacional atrelada ao aprendizado profundo auxiliam na tomada de decisão por parte do médico radiologista, fornecendo uma segunda opinião e consequentemente reduzindo custos operacionais. Diante disso, este trabalho propõe uma metodologia hierárquica e baseada em um comitê de Redes Neurais Convolucionais (Convolutional Neural Networks - CNNs) para auxiliar no diagnóstico de exames de raios X de tórax, inicialmente rastreando-os com alta probabilidade de serem normais ou anormais e posterior detecção da patologia. No desenvolvimento da etapa de triagem deste estudo, foi utilizado um conjunto de dados com imagens de raios-X de incidências frontal e lateral. Para a construção do modelo ensemble, foram avaliadas as arquiteturas VGG-16, ResNet50 e DenseNet121, comumente utilizadas na classificação de radiografias de tórax. Um Limiar de Confiança (CTR) foi usado para definir as previsões em Normal de Alta Confiança (HCn), classificação Borderline (BC) ou Anormal de Alta Confiança (HCa). Nos testes realizados, foram alcançados resultados bastante promissores: 54,63% dos exames foram classificados com alta confiança; dos exames normais, 32% foram classificados como HCN com uma taxa de falsa descoberta (FDR) de 1,68%; e quanto aos exames anormais, 23% foram classificados como HCa com 4,91% taxa de falsas omissões (FOR). Na etapa de detecção de anormalidades, empregamos a VGG-16 pré-treinada com a base utilizada no desenvolvimento da triagem para avaliar o dataset da NIH Chest X-rays 14, onde foi obtida a AUC média de 0,8484.
MEMBROS DA BANCA:
Presidente - 641.754.563-68 - RODRIGO DE MELO SOUZA VERAS
Interno - 2663672 - JOAO DALLYSON SOUSA DE ALMEIDA
Interno - 579.300.403-30 - KELSON RÔMULO TEIXEIRA AIRES
Externo à Instituição - ANDREA GOMES CAMPOS BIANCHI - UFOP
Externo à Instituição - EDUARDO JAMES PEREIRA SOUTO - UFAM