Quantificação de radiodermatite utilizando radiomics a partir de imagens digitais da pele

• Ano de defesa: 2024
• Autor(a) principal: Fonseca, Marcos Eduardo
• 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: Aprendizagem de máquina; Aprendizagem supervisionada; Machine learning; Radiodermatitis; Radiodermite; Radiomics; Supervised learning
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/59/59135/tde-25092024-160356/

Radiodermatite é uma das consequências do tratamento de radioterapia, pode ser classificada pela sua extensão e severidade, sendo avaliada visualmente por médicos de acordo com os critérios de toxicidade da RTOG. A aprendizagem de máquina (AM) é uma técnica amplamente utilizada a fim de otimizar tarefas. Foram estudados três modelos Naïve-Bayes, K-Nearest Neighbour, Random Forest, a escolha desses modelos foi feita a partir de quantidade de hiperparâmetros. Para a AM realizar a aprendizagem, é necessário um banco de dados, no caso, será utilizado características radiômicas e classificação da radiodermatite a partir de imagens digitais de pacientes que receberam tratamento de radioterapia na região da mama. Regiões de interesse foram delimitadas e classificadas por um médico radioterapeuta, as fotos foram convertidas para escala de cinza de duas maneiras, também foi aplicado filtros e ondaletas nas imagens, e finalmente extraídas características radiômicas. 212 fotos foram utilizadas, resultando em graus de classificação diferentes. Para a AM, a aprendizagem é influenciada pela classe majoritária, então fez-se o balanceamento pela técnica SMOTE. Com isso, tem-se o banco de dados, e separou-se a uma porcentagem de 88%/12%. 88% dos dados foram utilizados para treinamento e 12% para teste. Também se estudou a influência da quantidade de características, então utilizou-se os métodos SelectKBest e Recursive Feature Elimination para seleção das características. O melhor modelo selecionado é RF munido de imagens convertidas para cinza com filtros e ondaletas e 5 características com 0.92 de acurácia e com matriz de confusão normalizada de 1 para grau 0, 1 e 3 e 0,77 para grau 2.