Explorando técnicas de aprendizado profundo no diagnóstico de doenças infecciosas

• Ano de defesa: 2024
• Autor(a) principal: Oliveira, Anne de Souza
• Outros Autores: http://lattes.cnpq.br/0700648537595120
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Amazonas; Faculdade de Tecnologia; Brasil; UFAM; Programa de Pós-graduação em Engenharia Elétrica
• Palavras-chave em Português: CNPQ::ENGENHARIAS: ENGENHARIA ELETRICA; Redes neurais convolutivas; Aprendizado profundo; Malária; COVID-19; Imagem de gota espessa; Tomografia computadorizada
• Link de acesso: https://tede.ufam.edu.br/handle/tede/10764

A Organização Mundial da Saúde (OMS) define doenças infecciosas como aquelas causadas por microrganismos patogênicos, como bactérias, vírus, parasitas e fungos. Essas doenças podem ter altos índices de mortalidade e sérias repercussões globais, devido à natureza rápida e inesperada de sua disseminação. Um exemplo é a malária, uma doença infecciosa potencialmente fatal, causada por protozoários transmitidos às pessoas pela picada das fêmeas de mosquitos do gênero Anopheles. Outro exemplo é a COVID-19, causada pelo coronavírus SARS-CoV-2, que também teve uma rápida e inesperada disseminação, gerando uma crise mundial de saúde. Este estudo propõe métodos automáticos para a detecção de parasitas da malária em imagens de microscopia ótica e a segmentação de área pulmonar afetada pela COVID-19 em imagens tomográficas. Para a malária foi desenvolvido um método para imagens microscópicas de gota espessa, utilizando classificadores de pixels e uma rede neural profunda de 34 camadas. A metodologia também emprega componentes HSV da imagem como variáveis de entrada para perceptron multicamadas e árvore de decisão. O conjunto de dados foi segmentado em diferentes grupos baseados nos tamanhos dos parasitas, permitindo a avaliação de métricas de desempenho como acurácia, sensibilidade, especificidade, precisão e F1-score. Os melhores resultados foram obtidos em imagens com parasitas maiores, com taxas de precisão de 91,71% e 93,14%. Em imagens com parasitas menores, as taxas de precisão foram mais baixas, alcançando 76,58% e 71,58%. Os resultados são comparáveis aos de estudos publicados anteriormente. Em relação à COVID-19, foi desenvolvido um método para ser usado com imagens de tomografias computadorizadas e foram comparadas três abordagens de segmentação automática: 1) segmentação das áreas afetadas a partir de duas estratégias de particionamento de dados (estratégias de exame e slice); 2) segmentação automática e concordância interobservador entre dois grupos de radiologistas; e 3) desempenho de segmentação utilizando métodos manuais e automáticos de segmentação pulmonar. Foram usados dois conjuntos de dados e duas arquiteturas de redes neurais convolutivas (U-Net e CNN2). As métricas Dice para segmentação automática da COVID-19 foram de 73,01±9,47% e 84,66±5,41% para as estratégias de exame e slice, respectivamente. Com a segmentação manual dos pulmões, as métricas Dice foram 74,47±9,94% e 85,35±5,41%, respectivamente. A estratégia de slice obteve um desempenho ligeiramente melhor que a de exame. Não foram observadas diferenças estatisticamente significativas entre a segmentação automática e a concordância interobservador em um grupo de sete tomografias computadorizadas. Os resultados destacam a eficácia dos métodos propostos, com bom desempenho nas métricas de avaliação.