Explorando Características Radiômicas Profundas em Modelos de Aprendizado Profundo por meio de Imagens Médicas de COVID-19 (2024)
- Authors:
- Autor USP: COSTA, MÁRCUS VINÍCIUS LOBO - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- DOI: 10.11606/D.55.2024.tde-22032024-142104
- Subjects: APRENDIZADO COMPUTACIONAL; PROCESSAMENTO DE IMAGENS; COVID-19; DIAGNÓSTICO POR IMAGEM
- Keywords: Aprendizado profundo; Características profundas; Deep features; Deep learning; Deep radiomics; Imagem médica; Medical imaging; Radiômica; Radiômica profunda; Radiomics
- Agências de fomento:
- Language: Português
- Abstract: 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 quandoutilizou-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.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2024
- Data da defesa: 28.02.2024
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
COSTA, Márcus Vinícius Lobo. Explorando Características Radiômicas Profundas em Modelos de Aprendizado Profundo por meio de Imagens Médicas de COVID-19. 2024. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-22032024-142104/. Acesso em: 29 maio 2024. -
APA
Costa, M. V. L. (2024). Explorando Características Radiômicas Profundas em Modelos de Aprendizado Profundo por meio de Imagens Médicas de COVID-19 (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-22032024-142104/ -
NLM
Costa MVL. Explorando Características Radiômicas Profundas em Modelos de Aprendizado Profundo por meio de Imagens Médicas de COVID-19 [Internet]. 2024 ;[citado 2024 maio 29 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-22032024-142104/ -
Vancouver
Costa MVL. Explorando Características Radiômicas Profundas em Modelos de Aprendizado Profundo por meio de Imagens Médicas de COVID-19 [Internet]. 2024 ;[citado 2024 maio 29 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-22032024-142104/ - Assessing vulnerabilities of deep learning explainability in medical image analysis under adversarial settings
- A deep learning-based radiomics approach for COVID-19 detection from CXR images using ensemble learning model
- Analysis of vertebrae without fracture on spine MRI to assess bone fragility: a comparison of traditional machine learning and deep learning
Informações sobre o DOI: 10.11606/D.55.2024.tde-22032024-142104 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
