05 abr 2021
14:00 Defesa de Mestrado Integralmente a distância
Tema
Classificação de Imagens Musculoesqueléticas Utilizando Aprendizado de Máquina Profundo
Aluno
Leodécio Braz da Silva Segundo
Orientador / Docente
Hélio Pedrini (Orientador) / Zanoni Dias (Co-orientador)
Breve resumo
"Distúrbios musculoesqueléticos, muitas vezes caracterizados por dores agudas ou crônicas, limitam a capacidade de um indivíduo em realizar atividades de rotina, como trabalho e lazer. Lesões musculoesqueléticos ocorrem com frequência e, por isso, representam um problema relevante, pois determinar se um estudo radiográfico apresenta a estrutura óssea “normal” ou “anormal” é uma tarefa crítica na radiologia. Sistemas de auxílio ao diagnóstico possuem o potencial de aliviar a sobrecarga de médicos e diminuir a ocorrência de diagnósticos incorretos, entretanto, formular métodos de sucesso para a classificação automática apresenta vários desafios. Técnicas de aprendizado de máquina profundo têm sido cada vez mais aplicadas nesse tipo de problemas, com o objetivo de fornecer resultados mais precisos nas tarefas de classificação, tanto em imagens quanto em textos médicos, assim como na geração automática de relatórios médicos. Neste estudo, avaliamos o uso de diferentes redes neurais convolucionais para detectar anormalidades musculoesqueléticas por meio de exames de raios-X e averiguar o impacto de diversas técnicas aplicadas de forma incremental ao modelo. Baseado nos experimentos realizados, os melhores resultados foram obtidos por meio de uma estratégia de fusão, em que empregamos uma máquina de vetores de suporte (SVM) para combinar as saídas dos diferentes modelos utilizados. Nesta pesquisa, investigamos a influência da fusão de características de diferentes modalidades visando melhorar a detecção de anormalidades musculoesqueléticas. Os resultados obtidos indicam que utilizar uma abordagem multimodal apresenta uma melhora nos resultados quando comparado com os resultados de classificação utilizando imagens e textos individualmente. Duas bases de dados médicos disponíveis publicamente foram utilizadas nos nossos experimentos para validar as arquiteturas propostas. Diversas métricas quantitativas foram calculadas para demonstrar a eficácia da classificação de imagens musculoesqueléticas."
Banca examinadora
Titulares:
Hélio Pedrini IC/UNICAMP
José Ramon Trindade Pires NeuralMind
Jacques Wainer IC/UNICAMP
Suplentes:
Esther Luna Colombini IC/UNICAMP
Ronaldo Cristiano Prati CMCC/UFABC