Classificação de Esteatose Hepática Não Alcoólica em Imagens Térmicas da Região do Fígado Utilizando Redes Neurais Convolucionais
Resumo
A esteatose hepática não alcoólica (DHGNA) é a doença de fígado de maior incidência no mundo, afetando cerca de 1,5 bilhão de pessoas. Ela possui uma alta taxa de mortalidade e, se não for diagnosticada e tratada cedo, pode evoluir para sérias complicações no fígado, portanto seu diagnóstico deve ser rápido e eficiente. A aferição da temperatura do corpo humano via termografia é um método não invasivo para detectar a DHGNA. Neste contexto, o objetivo deste trabalho é apresentar um método para classificação de DHGNA em imagens de termografia de fígado. Utilizando redes neurais convolucionais e técnicas de processamento de imagens, o método proposto foi capaz alcançar uma acurácia de 96%, sensibilidade de 91% e especificidade 97%.
Referências
Brzezinski, R. Y., Levin-Kotler, L., Rabin, N., Ovadia-Blechman, Z., Zimmer, Y., Sternfeld, A., Finchelman, J. M., Unis, R., Lewis, N., Tepper-Shaihov, O., et al. (2020). Automated thermal imaging for the detection of fatty liver disease. Scientic reports, 10(1):1–11.
Byra, M., Styczynski, G., Szmigielski, C., Kalinowski, P., Michaowski, ., Paluszkiewicz, R., Ziarkiewicz-Wróblewska, B., Zieniewicz, K., Sobieraj, P., and Nowicki, A. (2018). Transfer learning with deep convolutional neural network for liver steatosis assessment in ultrasound images. International journal of computer assisted radiology and surgery, 13(12):1895–1903.
Cotrim, H. P., Parise, E. R., Figueiredo-Mendes, C., Galizzi-Filho, J., Porta, G., and Oliveira, C. P. (2016). Nonalcoholic fatty liver disease brazilian society of hepatology consensus. Arquivos de gastroenterologia, 53(2):118–122.
Farooq, M. A. and Corcoran, P. (2020). Infrared imaging for human thermography and breast tumor classication using thermal images. In 2020 31st Irish Signals and Systems Conference (ISSC), pages 1–6. IEEE.
Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems. O’Reilly Media.
Krizhevsky, A., Sutskever, I., and Hinton, G. E. (2012). Imagenet classication with deep convolutional neural networks. Advances in neural information processing systems, 25:1097–1105.
Ozougwu, J. C. (2017). Physiology of the liver. International Journal of Research in Pharmacy and Biosciences, 4(8):13–24.
Santana, J. T., Mota, A. V. H., Gonzaga, Y. H. G., Gomes, R. M. O. P., Melo, L. C., Noronha, V. F. C. M., Santos, A. C. O. L., de Jesus, J. B., Lima, S. O., and Cruz, J. F. (2021). Perl metabólico e antropométrico dos pacientes obesos e não obesos portadores de esteatose hepática não alcoólica. Revista Eletrônica Acervo Saúde, 13(2):e5525–e5525.
Schwabe, R. F., Tabas, I., and Pajvani, U. B. (2020). Mechanisms of brosis development in nonalcoholic steatohepatitis. Gastroenterology, 158(7):1913–1928.
Shorten, C. and Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of Big Data, 6(1):1–48.
Silva, L., Saade, D., Sequeiros, G., Silva, A., Paiva, A., Bravo, R., and Conci, A. (2014). A new database for breast research with infrared image. Journal of Medical Imaging and Health Informatics, 4(1):92–100.
Wahab, A. A., Salim, M., Yunus, J., and Ramlee, M. H. (2018). Comparative evaluation of medical thermal image enhancement techniques for breast cancer detection. Journal of Engineering and Technological Sciences, 50:40–52.
Zuluaga-Gomez, J., Al Masry, Z., Benaggoune, K., Meraghni, S., and Zerhouni, N. (2020). A cnn-based methodology for breast cancer diagnosis using thermal images. Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization, pages 1–15.