Combinação de técnicas de aprendizado profundo para a classificação de raio-x torácico em apoio ao diagnóstico de Covid-19

• Ano de defesa: 2022
• Autor(a) principal: SILVEIRA, Luiza Carvalho
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco; UFPE; Brasil; Programa de Pos Graduacao em Ciencia da Computacao
• Palavras-chave em Português: Inteligência computacional; Aprendizado profundo
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/49633

A aplicação de técnicas de deep learning no âmbito de serviços de saúde é um campo de pesquisa emergente na área de Ciência da Computação. A pandemia da COVID-19 motivou o desenvolvimento de modelos de deep learning para a detecção de padrões de imagem para a utilização alternativa desses exames detecção da síndrome respiratória. Este trabalho tem como objetivo a realização de uma análise exploratória combinando diferentes técnicas anteriormente aplicadas para detecção da COVID-19, o transfer learning, o aumento de dado pela geração de imagens sintéticas por meio de GANs e a segmentação de imagens, de modo a obter diferentes pipelines e descrever a qualidade das melhores encontradas para diferenciação de três classes de pacientes: aqueles infectados pelo vírus da COVID-19, pacientes com síndrome respiratória causada por outro agente que não o SARS-CoV-2, e, finalmente, pacientes saudáveis. Além disso, é aberta uma discussão sobre a real capacidade de generalização dos modelos existentes até então ao se realizar predições para conjuntos de dados de teste secundários e nunca vistos pelo modelo, assim testando a capacidade do mesmo de predizer resultados para dados com características diferentes aos do seu conjunto de treino. Foram criadas quatro pipelines diferentes para dois conjuntos de dados, com a pipeline proposta obtendo um F1-Score de 90,8% para o conjunto de testes e 55,1% para o conjunto de testes secundário.