Abordagem de aprendizado profundo para extração de quadros significativos em volumes de tomografia computadorizada

• Ano de defesa: 2023
• Autor(a) principal: Silva, Lucas Almeida da
• Outros Autores: https://lattes.cnpq.br/9167282021602549
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Amazonas; Instituto de Computação; Brasil; UFAM; Programa de Pós-graduação em Informática
• Palavras-chave em Português: Tomografia; Redes neurais (Computação); Computação evolutiva; Engenharia de sistemas; CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO: TEORIA DA COMPUTACAO: COMPUTABILIDADE E MODELOS DE COMPUTACAO; CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO: SISTEMAS DE COMPUTACAO: ARQUITETURA DE SISTEMAS DE COMPUTACAO; Extração de quadros em tomografia; Grad-CAM; Aprendizado profundo; Tomografia computadorizada; Redes neurais convolucionais
• Link de acesso: https://tede.ufam.edu.br/handle/tede/9593

A análise de imagens médicas em dados volumétricos normalmente é feita com a utilização de redes neurais convolucionais profundas 2D (CNN 2D), o que implica na análise independente e quadros individuais. Em grande parte, isso é devido aos desafios impostos pela natureza de dados tridimensionais, tais como: tamanho de volume variável, altos requisitos de memória (GPU e RAM), otimização de parâmetros, dentre outros. No entanto, lidar com os quadros individuais de forma independente em CNNs 2D descarta, deliberadamente, as informações temporais que constituem a profundidade dos volumes, o que pode resultar em baixo desempenho para a tarefa pretendida. Portanto, é importante desenvolver métodos que superem os requisitos computacionais impostos para que se aproveite as informações 3D. Para isso, neste trabalho é proposto um método não supervisionado baseado em \textit{Grad-Cam} para seleção dos segmentos mais relevantes em volumes de tomografia computadorizada, por meio da avaliação do mapa de ativação na última camada convolucional de uma CNN3D projetada para esse fim. Mesmo que o diagnóstico por métodos de Aprendizado de Máquina já mostre resultados promissores por meio do uso de redes neurais para avaliação de imagens radiológicas dos pulmões, a grande maioria dos métodos utiliza imagens pré-selecionadas por profissionais humanos para compor uma base de dados adequada, e isso se agrava quando são utilizados volumes de tomografia computadorizada, onde se faz necessária a separação de quadros mais significativos para avaliação clínica, uma vez que a análise de volume completo é computacionalmente cara e demorada. Experimentos extensivos com volumes de tomografia computadorizada demonstraram o êxito da metodologia proposta. A eficácia do método Grad-Cam Slice Selection (GSS) se evidenciou ao superar técnicas atuais do estado da arte, tanto em termos de área sob a curva ROC (AUC) quanto de F1 Score, em todas as configurações testadas.