Automatic pain assessment in fetuses through transfer learning

• Ano de defesa: 2020
• Autor(a) principal: Thiago Melo de Oliveira
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Minas Gerais; Brasil; ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO; Programa de Pós-Graduação em Ciência da Computação; UFMG
• Palavras-chave em Português: deep learning; transfer learning; fetal pain; automatic pain assessment; Computação – Teses; Aprendizado profundo – Teses; Redes neurais convolucionais – Teses; Feto – Dor – Diagnóstico – Teses
• Link de acesso: http://hdl.handle.net/1843/72118

A exposição prolongada a circunstâncias de dor pode ter muitos efeitos colaterais na vida de um feto e causar consequências negativas no seu desenvolvimento. Assim, a avaliação e gestão da dor torna-se necessária para identificar esses cenários precocemente. Embora existam numerosas escalas de dor para auxiliar na avaliação da dor em recém-nascidos, até recentemente, não existia um método para detectar dor em fetos. Com base nessas escalas, algumas pesquisas foram desenvolvidas para avaliar automaticamente a dor por meio da análise de imagens com ajuda computacional. Ainda assim, nenhum trabalho desse tipo havia sido desenvolvido especificamente para fetos. Nesse cenário, propomos o uso de redes neurais convolucionais profundas para construir um modelo de aprendizado capaz de detectar automaticamente a presença de dor em fetos. Fazemos isso por meio da avaliação de suas expressões faciais em imagens coletadas de máquinas de ultrassom 4-D. Utilizando técnicas de transferência de aprendizado, partimos de uma rede pré-treinada na tarefa de reconhecimento facial e confirmamos que a transferência de aprendizado de uma tarefa semelhante obteve um desempenho melhor do que se fosse feita a partir de um conjunto de dados de propósito geral. Avaliamos nosso modelo em imagens extraídas de 13 gravações de vídeo de fetos submetidos a estímulos dolorosos e não dolorosos e alcançamos uma precisão de 84,8% na tarefa de discriminar imagens de dor daquelas em um grupo de controle não doloroso. Nossos resultados demonstram a eficácia da aplicação de tais métodos com imagens fetais e, acima de tudo, mostram que é possível desenvolver um modelo para detectar automaticamente dor em fetos.