Aplicação de técnicas de inteligência artificial sobre características físico-estatísticas para classificar lesões de miocardite chagásica crônica

• Ano de defesa: 2022
• Autor(a) principal: Tetzner, Vivian Monezi
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Análise de textura; Arquitetura de redes; Chagas disease; Classificação de imagens; Doença de Chagas; Entropia amostral; Image classification; Network architecture; Sample entropy; Texture analysis
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/59/59135/tde-27012023-111234/

Recentemente, estudos mostraram que o uso de medidas de complexidade em imagens, como marcadora de diferentes texturas, podem trazer informações relevantes para influenciar na eficiência de métodos de classificação. A cardiomiopatia chagásica crônica [CCC] apresenta alterações teciduais com manifestações radiológicas. Apesar das características de textura serem utilizadas recorrentemente para diferenciar imagens de ressonância magnética nuclear adquiridas de pacientes doentes de pessoas saudáveis, nenhum estudo sistemático avaliou a medida de complexidade em pacientes com CCC, sem o uso de segmentação do anel do miocárdio. Neste trabalho, o objetivo foi avaliar como, e se, medidas de complexidade estatística como a entropia amostral podem influenciar métodos de classificação de imagens envolvendo algoritmos de Machine Learning [ML] clássico, a partir de imagens de ressonância magnética com Realce Tardio não segmentadas do miocárdio e se os algoritmos de Deep Learning [DL] por si só seriam capazes classificar tais imagens. Após a avaliação de diferentes parametrizações de entropia amostral, combinados com três diferentes arquiteturas de ML e duas de DL, em quatro distribuições diferentes de conjuntos de dados, foi possível apontar uma influência positiva da entropia amostral nas técnicas de ML e que as técnicas de DL, mesmo com os ruídos associados, atingiu acurácias de classificação de 70% em validação. O trabalho foi limitado por um baixo número de amostras e grande heterogeneidade entre as imagens. O aumento no número de amostras e uma maior homogeneidade entre as imagens podem gerar melhores resultados e possivelmente permitir a obtenção de uma arquitetura de rede treinada capaz de contribuir para o apoio ao diagnóstico e prognóstico da CCC.