ós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.046

Aluna: Luiza Carvalho Silveira
Orientador: Prof. Fernando Maciano de Paula Neto
Título: Combinação de técnicas de aprendizado profundo para classificação 
de raio-x toráxico em apoio ao diagnóstico de COVID-19
Data: 25/08/2022
Hora/Local: 15h – Virtual – Interessados em assistir entrar em contato com a aluna
Banca Examinadora:
Prof. Aluizio Fausto Ribeiro Araújo (UFPE / Centro de Informática)
Profa. Thais Gaudencio do Rego (UFPB / Departamento de Informática)
Prof. Fernando Maciano de Paula Neto (UFPE / Centro de Informática)


RESUMO:

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 utilização de modelos de deep learning como ferramenta de apoio ao diagnóstico de doenças a partir de exames de imagem tem despertado interesse crescente de pesquisadores da área. A pandemia da COVID-19 motivou o desenvolvimento de modelos de deep learning para detecção de padrões de imagem tendo em vista a escassez de recursos, como exames sorológicos, ter estimulado a utilização alternativa de exames de imagem para detecção da síndrome respiratória. No caso da COVID-19, os exames de raio-x e tomografia do tórax são realizados rotineiramente para investigação da hipótese diagnóstica. Este trabalho combina diferentes técnicas anteriormente aplicadas para detecção da COVID-19 e descreve a qualidade das melhores pipelines encontradas quanto à capacidade de diferenciar 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 totalmente novos. As técnicas utilizadas para a construção dos pipelines foram segmentação de imagens, transfer learning e aumento de dados. O modelo proposto obteve F1-Score de 90,8% para o conjunto de testes e 55,1% para o conjunto de testes alternativo.


Palavras-chave: Aprendizado profundo. COVID-19. Classificação multiclasse. Segmen-
tação de imagens. Raio-x toráxico. Pneumonia. Redes Neurais Convolucionais. Redes
adversárias generativas. Segmentação de imagens.

Comentários desativados