Detecção de Leishmaniose Visceral em Humanos Utilizando Redes Neurais

• Viviane Barbosa Leal Dias UFPI
• Armando Luz Borges UFPI
• Clésio de Araujo Gonçalves UFPI / IFSertão
• Ana Carolina Landim Pacheco UFPI
• Romuere Rodrigues Veloso e Silva UFPI

DOI: https://doi.org/10.5753/enucompi.2023.26623

Resumo

A leishmaniose é uma doença grave transmitida por mosquitos infectados, que pode ser fatal sem tratamento adequado. Um diagnóstico rápido e eficiente é essencial. Embora as técnicas de Visão Computacional possam ajudar no diagnóstico, elas costumam ser caras e demoradas devido aos altos requisitos computacionais. Este estudo tem como objetivo treinar redes neurais convolucionais de baixo custo computacional para auxiliar no diagnóstico da Leishmaniose Visceral. Nossos resultados foram comparados com quatro trabalhos anteriores, e nosso método mostrou resultados significativos e promissores. Isso demonstra que redes neurais convolucionais de baixo custo podem ser uma abordagem eficaz para o diagnóstico automatizado de leishmaniose visceral em humanos.

Palavras-chave: Deep Learning, Visão Computacional, Leishmaniose Visceral

Referências

Borges, A. L., de Araújo Gonçalves, C., Dias, V. B. L., de Andrade, N. B., Aguiar, B. G. A., and e Silva, R. R. V. (2023). Visceral leishmaniasis detection using deep learning techniques and multiple color space bands.

e Silva, R. R. V., de Araujo, F. H. D., dos Santos, L. M. R., Veras, R. M. S., and de Medeiros, F. N. (2016). Optic disc detection in retinal images using algorithms committee with weighted voting. IEEE Latin America Transactions, 14(5):2446–2454.

Fleiss, J. L., Levin, B., and Paik, M. C. (2013). Statistical methods for rates and proportions. John Wiley & Sons.

Gonçalves, C. d. A., Borges, A. L., Dias, V. B. L., de Andrade, N. B., Aguiar, B. G. A., and Negligenciados, P. (2022). Método automático para detecção de leishmaniose visceral em humanos.

Górriz, M., Aparicio, A., Raventós, B., Vilaplana, V., Sayrol, E., and López-Codina, D. (2018). Leishmaniasis parasite segmentation and classification using deep learning. In International Conference on Articulated Motion and Deformable Objects, pages 53–62. Springer.

He, K., Zhang, X., Ren, S., and Sun, J. (2015). Deep residual learning for image recognition.

He, K., Zhang, X., Ren, S., and Sun, J. (2016). Identity mappings in deep residual networks.

Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., and Adam, H. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications.

Isaza-Jaimes, A., Bermúdez, V., Bravo, A., Sierra Castrillo, J., Hernández Lalinde, J. D., Fossi, C. A., Flórez, A., and Rodríguez, J. E. (2020). A computational approach for Leishmania genus protozoa detection in bone marrow samples from patients with visceral leishmaniasis.

Kumar, R. and Nylén, S. (2012). Immunobiology of visceral leishmaniasis. Frontiers in immunology, 3:251.

Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., and Chen, L.-C. (2019). Mobilenetv2: Inverted residuals and linear bottlenecks.

Silva, J., Zacarias, D., Figueiredo, L., Soares, M., Ishikawa, E., Costa, D., and Costa, C. (2014). Bone marrow parasite burden among patients with New World kala-azar is associated with disease severity. The American Journal of Tropical Medicine and Hygiene, 90.