Uso de Visão Computacional na Análise de Exames Radiológicos Torácicos

• Rafael Augusto Vasconcelos da Silva UDC
• Miguel Diogenes Matrakas UDC https://orcid.org/0000-0002-7047-5437
• Alessandra Bussador UDC https://orcid.org/0000-0002-5900-9398

DOI: https://doi.org/10.5753/latinoware.2024.245751

Resumo

Este projeto explora a aplicação planejada de visão computacional, especificamente Redes Neurais Convolucionais (CNNs), na análise e classificação de exames radiológicos torácicos. O objetivo principal é desenvolver e treinar um modelo capaz de diferenciar entre radiografias saudáveis e doentes, contribuindo para diagnósticos mais precisos e oportunos de doenças pulmonares. A pesquisa utilizará o dataset ChestX-ray14, composto por mais de 100.000 imagens anotadas, como a principal fonte de dados. O projeto está atualmente na fase de desenvolvimento, com trabalhos futuros focados na implementação do protótipo e avaliação do modelo.

Palavras-chave: Visao Computacional, Redes Neurais Convolucionais, Analise de Imagens Medicas, Doencas Pulmonares

Referências

X. Wang, Y. Peng, L. Lu, M. Bagheri, and R. M. Summers, “Chestx-ray8: Hospital-scale chest x-ray database and benchmarks on weakly-supervised classification and localization of common thorax diseases,” inProceedings of the IEEE Conference on Computer Vision

and Pattern Recognition (CVPR), 2017, pp. 3462–3471

T. Bai, Y. Pang, and T. H. Meen, “Fusion high-resolution network for diagnosing chest x-ray images,” Electronics, vol. 9, no. 1, p. 190, 2020.

P. Rajpurkar, J. Irvin, K. Zhu, B. Yang, H. Mehta, and A. Y. Ng, “Chexnet: Radiologist-level pneumonia detection on chest x-rays with deep learning,” arXiv preprint, 2017. [Online]. Available: [link]

K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015. [Online]. Available: [link]

M. Nielsen, Neural Networks and Deep Learning. Self-published, 2018. [Online]. Available: [link]

K. Hammoudi, H. Benhabiles, M. Melkemi, F. Dornaika, and I. Arganda-Carreras, “Deep learning on chest x-ray images to detect and evaluate pneumonia cases at the era of covid-19,” HAL Archives, 2020. [Online]. Available: [link]

K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” arXiv preprint arXiv:1409.1556, 2014, acessado em: 22 setembro 2024. [Online]. Available: [link]

J. Deng, W. Dong, R. Socher, L.-J. Li, K. Li, and L. Fei-Fei. (2024) Imagenet: A large-scale hierarchical image database. Acessado em: 22 setembro 2024. [Online]. Available: [link]

A. Krizhevsky. (2024) Learning multiple layers of features from tiny images, cifar-10 and cifar-100 datasets. Acessado em: 22 setembro 2024. [Online]. Available: [link]

C. Dataset. (2024) Coco - common objects in context. Acessado em: 22 setembro 2024. [Online]. Available: [link]