Identificação de hemorragias intracranianas em imagens de tomografia computadorizada de cabeça utilizando informações axiais

• Ano de defesa: 2024
• Autor(a) principal: Comério, Daniel Henrique
• Orientador(a): Komati, Karin Satie
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Serra
• Palavras-chave em Português: Rede neural convolucional; Bilstm; Rsna; Cq500; Physionet; Densenet-121; Densenet-169; Resnext-50; Resnext-101; Squeezenet-1.0
• Link de acesso: https://repositorio.ifes.edu.br/handle/123456789/4681

A identificação de hemorragias intracranianas (HICs) e seus subtipos em imagens de tomografia computadorizada (TC) de cabeça é um desafio na medicina devido à necessidade de diagnósticos rápidos e precisos. Este estudo propõe uma arquitetura em três níveis para solucionar esse problema. Os subtipos de HIC abordados incluem hemorragia intraparenquimatosa, intraventricular, subaracnóidea, subdural e epidural. A arquitetura proposta combina redes neurais convolucionais (CNNs) e redes neurais recorrentes de memória de curto prazo longo bidirecionais (BiLSTMs) Na primeira etapa, cinco variações de CNNs são utilizadas para gerar as predições dos slices: DenseNet-121, DenseNet-169, ResNeXt-50, ResNeXt-101 e SqueezeNet-1.0, além de três tipos de ensembles das CNNs. Em seguida, a arquitetura BiLSTM é utilizada para ajustar as predições por slice, considerando informações contextuais dos slices adjacentes ao longo do eixo axial. Na etapa final, uma segunda BiLSTM integra essas predições ajustadas para gerar predições por exame. Os modelos foram treinados na base de dados RSNA, com o objetivo de maximizar a métrica de f1-score, e posteriormente avaliados nas bases RSNA, CQ500 e PhysioNet, utilizando as métricas de acurácia, precisão, revocação e f1-score. Os resultados experimentais evidenciam a capacidade dos modelos de generalização para diferentes bases de dados. O modelo que se destacou utilizou uma DenseNet-121 como backbone, alcançando médias de acurácia, precisão, revocação e f1-score de 91%, 91%, 90% e 90%, respectivamente. A análise por classe apresentou desafios na classe Epidural, sugerindo uma maior sensibilidade à técnica utilizada, possivelmente devido à menor quantidade de exames desse subtipo disponíveis na base de dados. Observou-se ganhos de desempenho a cada etapa. A arquitetura proposta demonstrou resultados comparáveis aos trabalhos do estado-da-arte, destacando-se como uma ferramenta promissora para auxiliar os profissionais de saúde no diagnóstico clínico de HICs e seus subtipos.