Segmentação pulmonar em imagens de radiografias de tórax utilizando redes neurais convolucionais

Abstract

As redes neurais convolucionais são comumente aplicadas em imagens médicas como radiografia, tomografia computadorizada, entre outras, com intuito de classificar ou segmentar patologias. Contudo em procedimentos nas imagens de radiografia de tórax para segmentar as regiões pulmonares, ocorrem falhas que podem ser por causa das características externa as regiões de interesse. Dessa forma, esta dissertação tem o objetivo de analisar as segmentações das regiões dos pulmões, utilizando as redes UNet e MultiResUNet nas classes saudável, com COVID-19 e não COVID, verificando sua performance com as medidas de desempenho de Índice de Jaccard e Coeficiente Dice. Os estudos são realizados por categorias para identificar os comportamentos dos modelos para cada classe, e posteriormente avaliar processamentos que possam otimizar a rede neural. Nos resultados entre as classes, a categoria não COVID teve mais dificuldade na identificação dos modelos do que nas demais classes. A média das métricas de desempenho das classes sem pré-processamento obteve os melhores resultados, nos quais a UNet alcançou o Índice de Jaccard de 94, 29% e Coeficiente Dice de 97, 00% e a MultiResUNet conseguiu o Índice de Jaccard de 94, 15% e Coeficiente Dice de 96, 93%. Nos cenários analisados, ambos os modelos obtiveram valores de medidas de desempenho semelhantes, entretanto a UNet apresentou maior eficiência devido as suas execuções, tanto no treinamento quanto nas detecções, ocorrerem em um período de tempo inferior ao da MultiResUNet.