Metodologia automática para detecção de bacilos de tuberculose utilizando RetinaNet e modelos de cores

• Filipe M. M. Rodrigues UFPI
• Francisco J. S. Reis UFPI
• Mateus A. Veloso UFPI
• João O. B. Diniz IFMA
• Romuere R. Veloso UFPI / UFMA
• Antonio O. C. Filho UFPI / UFMA

DOI: https://doi.org/10.5753/sbcas.2022.222677

Resumo

A tuberculose é a doença infecciosa bacteriana que mais mata no mundo, cerca de 1,5 milhão de pessoas morreram todos anos. A doença é causa pelo Mycobacterium tuberculosis, sendo a principal forma de diagnóstico a baciloscopia de escarro, exame no qual se analisa a expectoração do paciente através do microscópio em busca de bacilos, sendo essa uma técnica tanto para o diagnóstico como para acompanhamento da doença. Diante disso, este trabalho tem por objetivo desenvolver uma metodologia para detecção automatiza do bacilo usando a RetinaNet. Um conjunto de 1218 imagens foi usado para a avaliação deste método. Os resultados foram animadores, obtendo uma precisão de 64,9%, recall de 70,4% e um score F1 de 61%. Finalmente, acreditamos que nosso método possui a capacidade de atuar no diagnóstico da tuberculose.

Referências

Araujo, F. H. D., Silva, R. R. V., Medeiros, F. N. S., Parkinson, D. D., Hexemer, A., Carneiro, C. M., and Ushizima, D. M. (2018). Reverse image search for scientific data within and beyond the visible spectrum. Expert Systems with Applications, 109:35-48.

da Saúde., B. M. (2022). Tuberculose. Disponível em: https://www.gov.br/saude/pt-br/assuntos/saude-de-a-a-z/t/tuberculose. Acessado em 15 de fevereiro de 2022.

El-Melegy, M., Mohamed, D., and Elmelegy, T. (2019). Automatic Detection of Tuberculosis Bacilli from Microscopic Sputum Smear Images Using Faster R-CNN, Transfer Learning and Augmentation, pages 270-278.

Gráˆbel, P., Ozkan, O., Crysandt, M., Herwartz, R., Baumann, M., Klinkhammer, B. M., Boor, P., Br ummendorf, T. H., and Merhof, D. (2020). Circular anchors for the detection of hematopoietic cells using retinanet. In 2020 IEEE 17th International Symposium on Biomedical Imaging (ISBI), pages 249-253. IEEE.

Jiao, L., Zhang, F., Liu, F., Yang, S., Li, L., Feng, Z., and Qu, R. (2019). A survey of deep learning-based object detection. IEEE Access, 7:128837-128868.

Kaggle (2020). Tuberculosis image dataset. Retrieved from https://www.kaggle.com/saife245/tuberculosis-image-datasets. Accessed June 05, 2021.

Kant, S. and Srivastava, M. M. (2018). Towards automated tuberculosis detection using deep learning. In 2018 IEEE Symposium Series on Computational Intelligence (SSCI), pages 1250-1253.

Lin, T.-Y., Dollár, P., Girshick, R., He, K., Hariharan, B., and Belongie, S. (2017). Feature pyramid networks for object detection. In 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 936-944.

Lin, T.-Y., Goyal, P., Girshick, R., He, K., and Dollár, P. (2020). Focal loss for dense object detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42(2):318-327.

Pho, K., Mohammed Amin, M. K., and Yoshitaka, A. (2018). Segmentationdriven retinanet for protozoa detection. In 2018 IEEE International Symposium on Multimedia (ISM), pages 279-286.

Reza, A. M. (2004). Realization of the contrast limited adaptive histogram equalization (clahe) for real-time image enhancement. Journal of VLSI signal processing systems for signal, image and video technology, 38(1):35-44.

SESA (2022). Tuberculose. Disponível em: https://saude.es.gov.br/nevetuberculose. Acessado em 8 de fevereiro de 2022.

Swetha, K., Sankaragomathi, B., and Thangamalar, J. B. (2020). Convolutional neural network based automated detection of mycobacterium bacillus from sputum images. In 2020 International Conference on Inventive Computation Technologies (ICICT), pages 293-300.

Targ, S., Almeida, D., and Lyman, K. (2016). Resnet in resnet: Generalizing residual architectures. arXiv preprint arXiv:1603.08029.

WHO, W. H. O. (2022). Tuberculosis. Disponível em: https://www.who.int/en/news-room/fact-sheets/detail/tuberculosis. Acessado em 05 de fevereiro de 2022.