Aprendizado Profundo para a classificação de blocos de tecidos pulmonares em imagens de Tomografia Computadorizada de Alta Resolução
Resumo
Doenças pulmonares intersticiais (DPI) envolvem vários padrões de imagem anormais observados em exames de tomografia computadorizada de alta resolução. A caracterização automatizada de tecidos é um componente essencial de um sistema de auxílio ao diagnóstico por computador deste tipo de doença. As redes neurais convolucionais profundas aprendem características diretamente dos dados de treinamento em vez de extraí-los manualmente evitando a necessidade de otimização de extratores de características. Nesse contexto, o presente trabalho busca investigar um método de classificação utilizando aprendizado profundo para melhorar o desempenho de sistemas CAD no diagnóstico de DPIs. Resultados preliminares atingiram uma taxa de reconhecimento geral de 74,9% na classificação das cinco classes de DPIs em estudo.
Referências
Bagesteiro, L. D. (2015). Classificação de Padrões Radiológicos por Blocos em Imagens não Segmentadas de Tomografia Computadorizada. Universidade Federal do Paraná.
Gao, M. and et al. (2015). Holistic Classification of CT Attenuation Patterns for Interstitial Lung Diseases via Deep Convolutional Neural Networks. Workshop on Deep Learning in Medical Image Analysis (MICCAI).
Hafemann, L. G., Oliveira, L. S., and Cavalin, P. R. (2014). An analysis of deep neural networks for texture classification.
Krizhevsky, A., Sutskever, I., and Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances In Neural Information Processing Systems, pages 1–9.
Lecun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. Nature, 521(1):436–444.
