Exploração de algoritmos de aprendizado supervisionado para classificação no preparo de exames de colonoscopia

• Ano de defesa: 2024
• Autor(a) principal: LUZ, Emerson Luis Weide da
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Catolica de Pelotas; Centro de Ciencias Sociais e Tecnologicas; Brasil; UCPel; Mestrado em Engenharia Eletronica e Computacao
• Palavras-chave em Português: aprendizado de máquina; multilayer perceptron; processamento digital de imagens; colonoscopia; machine learning, multilayer perceptron; digital image processing; colonoscopy; ENGENHARIA ELETRICA::SISTEMAS ELETRICOS DE POTENCIA
• Link de acesso: http://tede.ucpel.edu.br:8080/jspui/handle/jspui/1035

O Câncer Colorretal (CCR) é uma das principais causas de morte no mundo, tornando a detec ção precoce fundamental. Embora a colonoscopia seja o padrão-ouro para identificar pólipos e lesões pré-cancerosas, sua eficácia depende de uma preparação intestinal adequada. A avalia ção da limpeza do cólon é comumente realizada com base na Boston Bowel Preparation Scale (BBPS), onde o cólon é dividido em três partes (ascendente, transversal e descendente), cada uma pontuada de 0 a 3, com uma pontuação total de 9 indicando a melhor preparação. No entanto, essa avaliação é frequentemente manual, suscetível a variabilidade entre observadores devido a experiência, curva de aprendizado e fadiga. Métodos automatizados de auxílio aos especialistas podem reduzir essa subjetividade e melhorar a precisão do diagnóstico. Este tra balho investiga a eficácia de modelos de Aprendizado de Máquina (AM) de baixa complexidade na classificação de imagens do preparo intestinal para colonoscopia, utilizando o conjunto de dados público Nerthus, composto por 5.525 imagens coletadas de vídeos com resolução de 720 x 576 pixels e pré-classificadas de acordo com a BBPS. Foram desenvolvidos e testados 15 modelos de redes neurais Multilayer Perceptron (MLP) com diferentes configurações de pré processamento de imagens e técnicas de Data Augmentation (DA), com emprego da linguagem Python. As etapas de Processamento Digital de Imagens (PDI) incluíram o operador de Sobel, filtro gaussiano, operador de Laplace e detector de bordas Canny, aplicados individualmente para cada modelo, visando reduzir ruídos e melhorar a qualidade das imagens. Técnicas de DA foram aplicadas para aumentar a diversidade dos dados disponíveis, e para alguns modelos foi realizado o balanceamento dos dados entre as quatro classes com a redução do conjunto de dados. Para implementação dos modelos, o banco de dados foi dividido nas seguintes propor ções: 80% para treinamento, 15% para validação e 5% para teste. Os modelos foram treinados e validados utilizando validação cruzada k−fold com k = 5. Para a avaliação dos resultados, foram empregadas as métricas de acurácia, sensibilidade, precisão e F1-score. Essas métricas foram calculadas com base na classificação das imagens do conjunto de validação. Para avaliar a capacidade dos modelos em generalizar para um treinamento adequado, foram elaboradas as curvas de aprendizado com utilização das acurácias e perdas médias no período das épocas. Como forma de verificar a robustez do aprendizado, os modelos treinados foram utilizados para classificar as imagens dos respectivos conjuntos de teste, nos quais as imagens são novas para cada um dos modelos; a partir disso foram elaboradas as matrizes de confusão referente a cada modelo. O modelo com melhor desempenho utilizou 9.853 imagens em RGB redimensionadas para 160 x 160 pixels, alcançando uma acurácia de 99,80% ± 0,002. Dentre os modelos que foram treinados com imagens pré-processadas, aquelas com algum tipo de aperfeiçoamento, a simulação que obteve os melhores resultados foi o modelo 4, com acurácia de 99,91% utili zando imagens redimensionadas para 224 x 224 pixels. Os resultados indicam que, com uma configuração adequada e um volume substancial de dados, os modelos MLP podem oferecer uma solução eficaz e acessível para a automação da avaliação do preparo intestinal, reduzindo a variabilidade entre especialistas e melhorando a eficiência do procedimento. Sendo assim, esta pesquisa contribui para o desenvolvimento de ferramentas computacionais que automatizam a classificação da preparação intestinal, com potencial para aprimorar significativamente a prática clínica em gastroenterologia.