Classificação e segmentação da região patológica da COVID-19 em radiografias do tórax usando redes neurais convolucionais

Farias, Ricardo de Sousa

Resumo

A COVID-19 se disseminou em larga escala, sobrecarregando os sistemas de saúde. Embora os pulmões sejam o órgão mais afetado pela doença, é importante destacar que o vírus pode atingir outros órgãos. Para avaliar a condição dos pulmões, é comum realizar radiografias de tórax. O objetivo desta pesquisa é aplicar técnicas de aprendizado de máquina para auxiliar na análise de radiografias de tórax de pacientes com COVID-19. Neste trabalho, foi utilizada a rede neural convolucional MultiResUNet para segmentação pulmonar em imagens de radiografias do tórax. Foram usadas 6.600 imagens, sendo 2.200 de cada classe (COVID-19, Normal e Não COVID-19). Posteriormente, foram utilizadas oito redes neurais convolucionais pré-treinadas para classificar as imagens segmentadas (COVID-19, Normal e Não COVID-19) com o modelo MultiResUNet. A comparação foi realizada entre os modelos na classificação binária (COVID-19 e Não COVID-19) com 4.900 imagens (20% para teste) e na classificação multiclasses (COVID-19, Normal e Não COVID-19) com 7.350 imagens (20% para teste). A MultiResUNet também foi usada para segmentar a infecção COVID-19 (área patológica) em 2.950 imagens (20% para teste), enquanto a abordagem LIME foi usada para segmentar a infecção em imagens de COVID-19 usando o melhor modelo obtido na classificação. Todos os treinamentos realizados foram utilizando a validação cruzada. A segmentação da região de infecção causada pela COVID-19 pode auxiliar os profissionais de saúde na tomada de decisão e no tratamento dos pacientes. Os resultados obtidos na segmentação pulmonar foram: acurácia de 98,1%, valor da intersecção sobre união (IoU) de 92,4% e valor do coeficiente de Dice de 96,1%. Na classificação de imagens, a VGG16 obteve os melhores resultados na classificação binária. Na classificação multiclasses, a VGG16 alcançou os melhores resultados em três das cinco medidas utilizadas. Na segmentação da infecção com a MultiResUNet, foi alcançada uma acurácia de 94,2%, valor de IoU de 67,3% e valor de Dice de 80,4%. Na segmentação da infecção, foram observadas dificuldades em segmentar corretamente a área patológica. Os resultados alcançados com a segmentação da infecção utilizando LIME foram inferiores aos obtidos com a MultiResUNet.

Citação

Artigo Completo

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.