08 abr 2021
14:00 Defesa de Mestrado Integralmente a distância
Tema
Classificação Multirrótulos de Radiografias de Tórax Utilizando Aprendizado de Máquina Profundo
Aluno
Vinicius Teixeira de Melo
Orientador / Docente
Zanoni Dias (Orientador) / Hélio Pedrini (Co-orientador)
Breve resumo
"A radiografia de tórax é um dos exames radiológicos mais acessíveis para triagem e diagnóstico de possíveis doenças no pulmão e no coração. Além disso, esse tipo de exame é utilizado para identificar se dispositivos como marca-passos, cateteres venosos e tubos estão posicionados corretamente. Nos últimos anos, muita atenção e muitos esforços foram dedicados para melhorar os sistemas de Diagnóstico Auxiliado por Computador, sendo a classificação de imagens médicas um dos problemas principais abordados. Técnicas de Aprendizado Profundo têm sido cada vez mais utilizadas para fornecer predições de detecção e classificação de patologias e lesões em imagens de radiografias de tórax.
Considerando essas informações, propomos um método para classificação de imagens de radiografia de tórax, denominado DuaLAnet, utilizando técnicas de aprendizado profundo, como redes neurais convolucionais e módulos de atenção. O nosso método tem como objetivo explorar a complementaridade entre redes neurais convolucionais, com a utilização de módulos de atenção para direcionar o aprendizado sobre as classes, mostrando que a combinação de informações complementares extraídas das imagens de radiografia de tórax possui uma melhor taxa de predição do que quando utilizamos somente uma rede neural.
Para validar o nosso método, utilizamos as bases de dados ChestX-ray14 e CheXpert, que possuem uma grande variedade de imagens de radiografias de tórax com 14 classes cada uma. Realizamos experimentos para verificar a melhor forma de inicializar os pesos das redes neurais, considerando a inicialização a partir da ImageNet e a partir da base de dados de radiografia que não está sendo utilizada no treinamento. Além disso, experimentamos quatro tipos de arquiteturas e suas variações para verificar quais as redes neurais que deveríamos utilizar como extratoras de características. Depois, verificamos qual o módulo de atenção que se adequava melhor a cada extratora de característica escolhida previamente, entre as seguintes opções de módulo de atenção: Class Activation Mapping (CAM), Soft Activation Mapping (SAM) e Feature Pyramid Attention (FPA).
Por fim, realizamos os experimentos com o método DuaLAnet, após as escolhas de configurações que melhor se adequavam em cada base de dados. Os resultados obtidos mostram que o nosso método possui uma taxa de acerto AUROC competitiva, em comparação com os métodos do estado da arte na base de dados ChestX-ray14, e vários caminhos que podemos seguir para melhorar a taxa de acerto na base de dados CheXpert."
Banca examinadora
Titulares:
| Zanoni Dias | IC/UNICAMP |
| Levy Boccato | FEEC/UNICAMP |
| Alexandre Mello Ferreira | IC/UNICAMP |
Suplentes:
| Sandra Eliza Fontes de Avila | IC/UNICAMP |
| Moacir Antonelli Ponti | ICMC/USP |