Explorando Características Radiômicas Profundas em Modelos de Aprendizado Profundo por meio de Imagens Médicas de COVID-19

• Ano de defesa: 2024
• Autor(a) principal: Costa, Márcus Vinícius Lobo
• 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: Aprendizado profundo; Características profundas; Deep features; Deep learning; Deep radiomics; Imagem médica; Medical imaging; Radiômica; Radiômica profunda; Radiomics
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-22032024-142104/

A análise de imagens médicas desempenha um papel importante na tomada de decisão de médicos especialistas. Especificamente na deteção da COVID-19, as abordagens de Aprendizado Profundo (AP) e a abordagem Radiômica obtiveram resultados promissores no decorrer dos últimos anos. No entanto, os resultados por meio de aprendizado profundo são difíceis de interpretar/visualizar e a abordagem radiômica elenca etapas sucessivas, como: a aquisição de imagens, o processamento de imagens, a segmentação, a extração de características e a análise. Neste contexto, este trabalho de Mestrado propõe a abordagem DEELE-Rad (Deep Learningbased Radiomics), que utiliza a integração de aprendizado profundo e a abordagem radiômica, com intuito de auxiliar na detecção de COVID-19. O DEELE-Rad utiliza modelos de aprendizado profundo para extrair 100, 128, 200, e 300 características radiômicas profundas relevantes para avaliar a COVID-19. Utilizando várias fontes de imagens, com 392 exames representativos de radiografia de tórax (raio-X). Desta maneira, evitam-se etapas sucessivas da radiômica utilizando aprendizado profundo e aplicando ajuste-fino nas redes da VGG-16, ResNet50V2 e a DenseNet201. O DEELE-Rad considera um conjunto de algoritmos de Aprendizado de Máquina (AM) para validar os resultados, fornecendo um comitê (ensemble) de classificadores para classificação de COVID-19. Com resultados experimentais do DEELE-Rad, foi possível observar que o DEELE-Rad obteve um melhor desempenho quando utilizou-se 300 características radiômicas profundas provenientes da DenseNet201, tornando-o mais preciso em até 8,8% comparada aos modelos de aprendizado profundo de ponta a ponta. O DEELE-Rad têm como proposta a análise e avaliação visual de características radiômicas profundas, a fim de apresentar interpretabilidade e explicabilidade tornando-o mais explicável. De maneira geral, o DEELE-Rad pode aumentar o desempenho da classificação binária em um cenário real. Por fim, destacamos que o DEELE-Rad pode ser adaptado para criar outras ferramentas de radiômica baseadas em aprendizado profundo e pode fornecer perspectivas de interpretabilidade e explicabilidade de radiômicas profundas por meio dos modelos de aprendizado profundo.