Análise quantitativa de imagens médicas funcionais utilizando métodos de reconhecimento de padrões e inteligência artificial

Detalhes bibliográficos
Ano de defesa: 2018
Autor(a) principal: VIEIRA, Igor Fagner
Orientador(a): LIMA, Fernando Roberto de Andrade, KOOLE, Michel
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de Pernambuco
Programa de Pós-Graduação: Programa de Pos Graduacao em Tecnologias Energeticas e Nuclear
Departamento: Não Informado pela instituição
País: Brasil
Palavras-chave em Português:
DWI
Link de acesso: https://repositorio.ufpe.br/handle/123456789/29725
Resumo: Os métodos quantitativos para análises de imagens médicas se limitam a uma descrição não-adaptativa dos volumes de interesse (VOI) e tendem a levar em conta apenas o desempenho discriminativo, quer seja das variáveis de interesse, quer seja dos modelos de aprendizagem de máquina utilizados na tarefa de classificação. O objetivo deste trabalho foi propor uma metodologia para avaliar conjuntamente o desempenho e estabilidade de modelos avançados de classificação e de métodos adaptativos de extração de características descrevendo textura de um dado VOI, visando caracterizar, respectivamente, linfonodos pélvicos e efeito do tratamento de tumores gastrointestinais. Para isso, utilizou-se em ambos os casos imagens de ressonância magnética por difusão ponderada (DWI) e o desempenho de cada modelo foi medido em termos da área sobre a curva ROC (AUC), enquanto a estabilidade foi medida em função do coeficiente de variação (CV), ambos estimados em amostras bootstrap geradas a partir das imagens iniciais. Testes estatísticos não-paramétricos projetados para comparar o desempenho das diferentes abordagens, em diferentes amostras, treinados e testados sob as mesmas condições, foram utilizados para determinar quais modelos apresentaram maior performance em termos de AUC e menor CV durante a classificação. Como resultado, dos sete modelos de classificação, quatro mostraram AUC e CV dentro da margem de aceite, entre eles Logistic Regression, Support Vector Machine, Random Forest e Gradient Boosting com duas ou três características. Por outro lado, em termos de características, entre as cento e três características não-adaptativas avaliadas e desenvolvidas neste trabalho, variáveis como assimetria e curtose apresentaram melhor desempenho. Todavia, no segundo caso clínico, os métodos adaptativos foram mais sensitivos e estáveis na captura do efeito do tratamento ao selecionar automaticamente as regiões discriminativas associadas a cada VOI, sobretudo quando comparado ao parâmetro utilizado na rotina clínica.