Avaliação computadorizada de sacroiliíte em imagens de ressonância magnética

• Ano de defesa: 2018
• Autor(a) principal: Faleiros, Matheus Calil
• 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: Classificação; Classification; Inflamação; Inflammation; Pattern recognition; Reconhecimento de padrões; Sacroiliíte; Sacroiliitis
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/82/82131/tde-03052019-172358/

Espondiloartrites são um grupo de doenças com características clínicas, radiológicas e laboratoriais comuns, que afetam principalmente as articulações sacroilíacas e possuem um forte potencial de morbidade e impacto socioeconômico. O protocolo padrão para diagnóstico da sacroiliíte utiliza seis cortes coronais de imagens de ressonância magnética. Contudo, a avaliação visual das articulações sacroilíacas pode apresentar desafios aos especialistas, além de uma variação intrapessoal e interpessoal. Nesse sentido, o objetivo desse projeto foi desenvolver e comparar métodos de extração de atributos e classificação computadorizada a fim de detectar padrões nas imagens que levem a sua classificação como positiva ou negativa para presença de sacroiliíte ativa. O projeto obteve aprovação do Comitê de Ética do Hospital das Clínicas de Ribeirão Preto. Imagens de exames de ressonância magnética de 51 pacientes, obtidas com sequência Spectral Attenuated Inversion Recovery (SPAIR) e 46 com sequência Short Tau Inversion Recovery (STIR) foram utilizadas retrospectivamente, sendo que cada exame contém 6 imagens obtidas em corte coronal. Cada exame foi classificado por um especialista em positivo ou negativo para sacroiliíte ativa, totalizando 22 exames positivos e 29 negativos para SPAIR e 20 exames positivos e 26 negativos para STIR. Para evitar desbalanceamento de classes, o método de síntese de dados Syntetic Minority Over-sampling Technique foi utilizado. Cada imagem foi segmentada manualmente e colada em um fundo escuro para separar a região de interesse. Para reduzir possíveis ruídos, um pré-processamento utilizando uma transformação de perspectiva warp foi aplicado em cada uma das imagens, ampliando o tamanho da região de interesse para que cobrisse o fundo escuro. Os atributos extraídos para caracterizar as imagens foram estatísticos de níveis de cinza, textura de Haralick baseados na matriz de coocorrência de níveis de cinza, textura de Tamura baseados na direcionalidade do histograma, atributos espectrais baseados na transformada de Fourier, energias da wavelet de Haar, Gabor e estimativa da dimensão fractal. Cada paciente foi caracterizado pela média e desvio padrão de cada um dos atributos para suas 6 imagens do exame, formando um vetor de 230 componentes. Para reduzir o impacto da dimensionalidade, métodos de seleção de atributos ReliefF, Wrapper e teste Mann-Whitney U foram utilizados. Para classificação, foram utilizados os métodos de aprendizado de máquina naive bayes, árvore de decisão J48, floresta aleatória, perceptron multicamadas, k-vizinhos mais próximos e máquina de vetores de suporte. A classificação foi realizada utilizando validação cruzada 10-fold e foi avaliada pelas métricas sensibilidade, especificidade, área sob a curva ROC (receiver operating characteristic) (AUC), e pelas taxas de acerto e erro. Métodos de aprendizado profundo também foram utilizados. Foi efetuada uma comparação entre a concordância das sequências SPAIR e STIR utilizando coeficiente Kappa. A AUC máxima alcançada foi de 0,975 utilizando o perceptron multicamadas com seleção de atributos reliefF.