Redes neurais convolucionais na classificação de imagens de RX de tórax: COVID-19, doenças intersticiais pulmonares e tuberculose

• Ano de defesa: 2024
• Autor(a) principal: Santos, Mauricio Koenigkam
• 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: convolutional neural network; COVID-19; doenças intersticiais pulmonares; interstitial lung diseases; rede neural convolucional; tuberculose; tuberculosis
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/82/82131/tde-19012026-160127/

A doença pelo Coronavírus 19 (COVID-19) e a tuberculose são doenças respiratórias que apresentam cerca de 1,97 e 1,4 milhão de mortes por ano, respectivamente, na data de submissão deste trabalho (2024). O objetivo é realizar experimentos com 4 bancos de dados contendo imagens de radiografia simples de tórax (RXT) para estudar, implementar e testar 5 arquiteturas de rede neural convolucional (RNC) para classificar os dados em COVID-19, doença intersticial pulmonar (DIP), tuberculose e sem doenças. Foram utilizadas as técnicas de transfer learning (TL) e fine tuning (FT) para o treinamento dos modelos. A pneumonia por COVID-19 apresenta semelhança radiológica com DIP, por isso é importante testar a capacidade de diferenciação dos modelos. Para o estudo foi desenvolvido retrospectivamente uma base com exames de imagem de COVID-19, DIPs e tuberculose, provenientes de serviços do Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto (HCFMRP), USP. Também foram testadas imagens de outros três bancos de dados públicos, um com imagens de RXT de COVID-19 e dois com imagens de RXT de tuberculose. Foram realizados experimentos com a arquitetura de RNC VGG19 e três grupos de dados: Todos sem aumento (4 bancos de dados distintos e sem aumento artificial da quantidade de dados), Todos com aumento (4 bancos de dados distintos e com aumento artificial da quantidade de dados), HCFMRP com aumento (1 banco de dado próprio e com aumento artificial da quantidade de dados). 15% das imagens foram separadas para teste, o restante foi dividido em 5 partições para a realização do cross-validation. A melhor partição de cada experimento foi testada com o grupo de imagens para teste. Com o grupo de dados Todos com aumento foram obtidos os melhores resultados: acurácia geral de 88,26%, as médias (entre as classes) de precisão, sensibilidade, f1-score e AUC-ROC foram de 0,875, 0,867, 0,872 e 0,972, respectivamente. Depois foram mantidos os dados de treinamento, validação e teste e foram feitos experimentos com mais 4 RNCs: EfficientNetV2S, ResNet152V2, InceptionV3 e Xception. Nenhuma destas redes obteve desempenho melhor que a VGG19, as acurácias das outras redes apresentadas foram 86,68%, 84,23%, 84,90% e 82,55%, respectivamente. Foi realizado o Grad-CAM Heatmap para ajudar a visualizar como a RNC VGG19 utilizou as imagens para fazer a classificação. Os resultados são compatíveis com os encontrados na literatura sobre RNC e RXT e também com os trabalhos sobre desempenho dos médicos radiologistas.