Uso de uma Rede Neural Convolucional para Análise de Exames de Radiografia de Pulmão com Detecção de Covid-19, Pneumonia e Tuberculose
Resumo
O trabalho cotidiano de um médico radiologista se mostra deveras árduo, devido a demanda de diagnósticos e laudos requeridos em laboratórios de análises clínicas, a sobrecarga de horas de trabalho e a falta de tempo para a realização de um atendimento coerente com as necessidades dos pacientes. Com isso em mente, este artigo apresenta um sistema baseado em redes neurais convolucionais desenvolvido para auxiliar profissionais radiologistas na sua rotina de trabalho, agilizando diagnósticos e disponibilizando tempo para atendimento mais humanizado. O estudo faz adaptação de um modelo inteligente ResNet-50 utilizando a técnica de transfer learning, com o intuito de predizer doenças pulmonares em imagens de raios-X, sendo elas Covid-19, pneumonia e tuberculose. Após o treinamento do modelo considerando uma base de dados aberta, com imagens validadas, alcançou-se uma acurácia geral de ∼89% na predição de diagnósticos para as doenças citadas.
Referências
Dezube, R. (2021). Diagnóstico por imagem do tórax. Manual MSD Versão para Profissionais da Saúde.
Duarte, M. d. L. C. and Noro, A. (2013). Humanização do atendimento no setor de radiologia: dificuldades e sugestões dos profissionais de enfermagem. Cogitare Enfermagem, 18(3).
FIPS (2023). Fips: X-ray tomographic datasets. Disponível em: [link]. Acesso em: 01 Mar 2023. Finnish Inverse Problems Society.
González, M. (2019). O que é acurácia? entenda o conceito e sua importância. Disponível em: [link] Acesso em: 13 Abr 2022. IDblog.
Granatyr, J. (2021). Machine learning para competições kaggle - especial covid-19. Disponível em: [link]. Acesso em: 14 Fev 2022. Udemy: IA Expert Academy.
He, K., Zhang, X., Ren, S., and Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 770–778.
Hussein, F., Mughaid, A., AlZu’bi, S., El-Salhi, S. M., Abuhaija, B., Abualigah, L., and Gandomi, A. H. (2022). Hybrid clahe-cnn deep neural networks for classifying lung diseases from x-ray acquisitions. Electronics, 11(19):3075.
JTIPT (2021). Chest x-ray (pneumonia,covid-19,tuberculosis). Disponível em: [link]. Acesso em: 23 Fev 2022. Kaggle.
Kaggle (2023). Find open datasets and machine learning projects kaggle. Disponível em: [link] Acesso em: 01 Mar 2023.
Nguyen, H. Q., Lam, K., Le, L. T., Pham, H. H., Tran, D. Q., Nguyen, D. B., Le, D. D., Pham, C. M., Tong, H. T. T., Dinh, D. H., Do, C. D., Doan, L. T., Nguyen, C. N., Nguyen, B. T., Nguyen, Q. V., Hoang, A. D., Phan, H. N., Nguyen, A. T., Ho, P. H., Ngo, D. T., Nguyen, N. T., Nguyen, N. T., Dao, M., and Vu, V. (2020). Vindr-cxr: An open dataset of chest x-rays with radiologist’s annotations.
Pagano, A. L. and Chioca, L. R. (2018). Os desafios encontrados pelos profissionais da área de radiologia na implementação do tratamento humanizado. Fac. Sant’Ana em Revista, Ponta Grossa, 3(1):31–40.
RadVid19 (2020). A radiologia brasileira contra a covid19. Disponível em: [link]. Acesso em: 22 Abr 2022. CONASS.
Sharma, A., Rani, S., and Gupta, D. (2020). Artificial intelligence-based classification of chest x-ray images into covid-19 and other infectious diseases. International journal of biomedical imaging, 2020:1–10.
Silva, L., Ferreira, V., Araújo, L., and Santos, A. (2020). Aplicação de deep learning no pré-diagnóstico da covid-19 através de imagens de raio-x. UNIFESSPA.
van Leeuwen, K. G., de Rooij, M., Schalekamp, S., van Ginneken, B., and Rutten, M. J. (2021). How does artificial intelligence in radiology improve efficiency and health outcomes? Pediatric Radiology, pages 1–7.
Yildirim, M., Eroğlu, O., Eroğlu, Y., Çinar, A., and Cengil, E. (2022). Covid-19 detection on chest x-ray images with the proposed model using artificial intelligence and classifiers. New Generation Computing, 40(4):1077–1091.
