Detalhes bibliográficos
Ano de defesa: |
2024 |
Autor(a) principal: |
Vital, Daniel Aparecido [UNIFESP] |
Orientador(a): |
Não Informado pela instituição |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Tese
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Universidade Federal de São Paulo
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: |
|
Link de acesso: |
https://hdl.handle.net/11600/71091
|
Resumo: |
Dados estatísticos apontam que aproximadamente 2,8 milhões de pessoas em todo o mundo vivem com esclerose múltipla (EM), com cerca de 250 mil novos casos diagnosticados anualmente. A EM é uma doença autoimune degenerativa que danifica a bainha de mielina dos neurônios, prejudicando a condução do sinal elétrico e resultando em deficiências neurológicas. Embora não tenha cura, o diagnóstico precoce é crucial para iniciar tratamentos adequados, controlar surtos e melhorar a qualidade de vida dos pacientes. A ressonância magnética (RM) é comumente utilizada para investigar a doença, identificando lesões desmielinizantes no cérebro e medula espinhal. No entanto, a análise visual desses exames pode ser limitada. Estudos recentes exploram métodos de inteligência artificial para a identificação automática de lesões, buscando superar as limitações visuais, mas enfrentam desafios de acurácia e abrangência. Objetivo: Este projeto de doutorado teve como objetivo avaliar o potencial de modelos neurais de aprendizado de máquina e profundo no apoio ao diagnóstico de lesões desmielinizantes causadas por EM, especificamente na classificação de imagens de RM quanto à presença ou ausência de lesões. Métodos: Foram utilizados exames de RM ponderados em FLAIR no plano axial de multicentros, combinando métodos de pré-processamento de imagens com modelos neurais para destacar a capacidade de classificação de lesões. Seis algoritmos de aprendizado de máquina foram avaliados, Árvore de decisão, Floresta aleatória, KNN, SVM, Regressão logística e MLP, treinados com atributos extraídos de três modelos neurais pré-treinados, Inception V3, SqueezeNet e VGG-19. Resultados: Os resultados revelam que SVM, Regressão Logística e MLP, treinados com atributos de modelos neurais pré-treinados, superaram outros classificadores, alcançando precisão superior a 96% na identificação de lesões de EM. A análise indicou que o Inception V3 foi eficiente na extração de atributos, destacando o MLP como promissor, com acurácia de 98,3%, sensibilidade de 99,3% e F1-Score de 98,2. Conclusão: A combinação de modelos neurais pré-treinados com classificadores se mostrou eficaz para diagnóstico automático de lesões de EM nos exames de RM de encéfalo, sendo o modelo de classificação Inception V3 com MLP o com maior precisão e sensibilidade. |