Banca de DEFESA: PABLO DE ABREU VIEIRA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: PABLO DE ABREU VIEIRA
DATA: 31/05/2021
HORA: 14:00
LOCAL: google Meet
TÍTULO: Detecção de Doenças Pulmonares Utilizando Aprendizado Profundo em Imagens de Raios-X
PALAVRAS-CHAVES: COVID-19; Raios-X; Aprendizado Profundo; Sistema Genético Evolutivo; Ajuste Fino.
PÁGINAS: 82
GRANDE ÁREA: Engenharias
ÁREA: Engenharia Elétrica
RESUMO:

A pandemia causada pelo COVID-19 já matou mais de 2,6 milhões de pessoas em todo o mundo afetando sistemas de saúde e a economia mundial. A detecção do COVID-19 nos estágios iniciais é vital para reduzir a transmissão e óbitos. O teste amplamente utilizado para sua detecção é a Reação em Cadeia da Polimerase Transcriptase Reversa, que além do alto custo. O COVID-19 leva a evidências radiológicas de lesões do trato respiratório inferior e a análise dessas evidências podem auxiliar no seu diagnóstico. Nesse cenário, técnicas de Aprendizado Profundo (AP) são aplicadas para detectar a pneumonia causada pelo COVID-19 em radiografias, auxiliando o diagnóstico rápido e preciso. Aqui, investigamos duas arquiteturas de AP com Sistemas Genéticos Evolutivos para definição do conjunto ótimo de hiper-parâmetros os quais foram extrapolados em mais cinco arquiteturas. Ainda, empregamos técnicas de aumento de dados e transferência de aprendizado para alcançar uma classificação satisfatória. Propomos também um método de redimensionamento de imagens com a função de janela máxima, que preserva as estruturas anatômicas do tórax. Os resultados obtidos alcançaram uma acurácia de 99,8% considerando as classes COVID-19, normal, pneumonias viral e bacteriana. A diferenciação entre a pneumonia viral e COVID-19 alcançou uma acurácia de 99,8%, enquanto a classificação da COVID-19 e pneumonia bacteriana obteve uma acurácia de 99,9%. O impacto do método de redimensionamento de imagem proposto no desempenho da classificação foi avaliado; esse pré-processamento aumentou a taxa de classificação, independentemente das arquiteturas de AP usadas. Comparamos nossos resultados com onze trabalhos presentes no estado da arte através de oito cenários de experimentação e seis métricas de avaliação. O método proposto obteve desempenho superior em sete cenários, representando um aumento de 14,71% na acurácia para o cenário composto por pneumonia viral e COVID-19. Portanto, demonstramos que modelos de aprendizado profundo treinados com imagens de raios-X pré-processadas podem ajudar especialistas na triagem de casos, reduzindo o tempo e esforço empregado no diagnóstico de variadas pneumonias, incluindo aquela causada por COVID-19.

MEMBROS DA BANCA:
Interno - 1126212 - ANTONIO OSEAS DE CARVALHO FILHO
Interno - 1402365 - DEBORAH MARIA VIEIRA MAGALHAES
Interno - 2025885 - FLÁVIO HENRIQUE DUARTE DE ARAÚJO
Externo à Instituição - MARCELO MARQUES SIMOES DE SOUZA - UFC
Presidente - 2025063 - ROMUERE RODRIGUES VELOSO E SILVA