Classificação de Doença Hepática Gordurosa Não Alcoólica em Imagens Térmicas usando Temporal Convolutional Networks

• Marcos Vinícius de Sousa Farias UFMA
• Italo Francyles Santos da Silva UFMA
• Aristófanes Corrêa Silva UFMA
• Henrique Manoel de Araújo Martins Filho Alchimia
• Anselmo Cardoso Paiva UFMA

DOI: https://doi.org/10.5753/sbcas.2023.229802

Resumo

Dentre as patologias hepáticas existentes, a Doença Hepática Gordurosa Não Alcoólica (DHGNA) é aquela que afeta a maior parcela da população mundial, aproximadamente 2 bilhões de pessoas. A DHGNA possui chances consideráveis de evoluir para quadros clínicos mais graves, como fibrose e cirrose hepática, representando sérios riscos à vida dos pacientes. Desse modo, é vital que sua detecção seja feita de maneira ágil, precisa e preferencialmente não invasiva, sendo a utilização de imagens térmicas um método de grande respaldo nesse âmbito. O presente trabalho apresenta o desenvolvimento de um modelo de classificação de DHGNA a partir de séries temporais em termografias. Foram utilizadas Temporal Convolutional Networks aliadas a estratégias de processamento de imagens na composição da proposta.

Referências

Brioschi, M. L., Yeng, L. T., Colman, D., Silva, F. M. M., and Teixeira, M. J. (2006). Imaginologia infravermelha no estudo avançado da dor de origem visceral.

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.

Farooq, M. A. and Corcoran, P. (2020). Infrared imaging for human thermography and breast tumor classification using thermal images. In2020 31st Irish Signals and Systems Conference (ISSC), pages 1–6. IEEE

Lea, C., Flynn, M. D., Vidal, R., Reiter, A., Hager, G. D. (2017). Temporal convolutional networks for action segmentation and detection. In proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.

Ozougwu, J. C. (2017). Physiology of the liver.International Journal of Research inPharmacy 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). Perfil metabólico e antropométrico dos pacientes obesos e não obesos portadores de esteatose hepática não alcóolica. Revista Eletrônica Acervo Saúde, 13(2):e5525–e5525.

Schwabe, R. F., Tabas, I., and Pajvani, U. B. (2020). Mechanisms of fibrosis development in nonalcoholic steatohepatitis.

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.

Yadav, S. S. and Jadhav, S. M. (2019). Deep convolutional neural network based medical image classification for disease diagnosis.

Younossi, Zobair, et al. ”Global burden of NAFLD and NASH: trends, predictions, risk factors and prevention.”Nature reviews Gastroenterology & hepatology 15.1(2018)

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.