Bioeconomia: Diversidade e Riqueza para o Desenvolvimento Sustentável
22 a 24 de outubro de 2019
Trabalho 12758
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Teoria e Tecnologia da informação |
| Setor | Instituto de Ciências Exatas e Tecnológicas |
| Conclusão de bolsa | Não |
| Primeiro autor | Victor Júnio Alcântara Cardoso |
| Orientador | LARISSA FERREIRA RODRIGUES |
| Outros membros | Nádia Aparecida de Oliveira Silva, Tiemy Shibuya Watanabe |
| Título | Detecção de doença falciforme em imagens de eritrócitos utilizando técnicas de Aprendizado Profundo |
| Resumo | A análise da morfologia celular é importante para auxiliar na identificação de anormalidades nas células do corpo humano. Entretanto, atualmente essa análise é feita por microscopia, sendo uma tarefa dispendiosa e sujeita a subjetividade na interpretação das análises. Neste contexto, os eritrócitos, células responsáveis pelo transporte de oxigênio e gás carbônico pelo corpo, podem apresentar alguns problemas, como é o caso da anemia falciforme que é considerada uma anemia grave, decorrente de uma alteração genética na hemoglobina. Os portadores da doença apresentam os eritrócitos em forma de foice, o que dificulta a circulação do sangue e pode levar à oclusão dos vasos sanguíneos. Além de causar dores intensas nos ossos, fadiga e tendência a infecções, aumenta muito as chances de infarto do miocárdio, acidente vascular cerebral, doença renal crônica e embolia pulmonar, entre outras complicações. Neste trabalho, é feita a automatização na identificação de doenças presentes no sangue, utilizando como arcabouço uma técnica denominada Aprendizado Profundo, em particular Redes Neurais Convolucionais (CNNs), que são baseadas em processamento de imagem em várias etapas para extrair representações hierárquicas de alto nível dos dados. Tais técnicas são promissoras para o diagnóstico médico auxiliado por computador porque, em geral, soluções baseadas em análise automática de imagens têm menor custo financeiro e os dados coletados podem facilmente ser compartilhados e processados em qualquer lugar. Assim, a principal contribuição deste trabalho consiste em investigar o impacto do aumento de dados e uso de imagens segmentadas para treinar as CNNs com a técnica de transferência de aprendizado. Além disso, o presente trabalho é o primeiro a considerar CNNs para analisar e classificar imagens de eritrócitos utilizando a base de dados erythrocytesIDB disponibilizada publicamente e composta por 626 imagens microscópicas de células individuais, categorizadas em três classes: circular, falciforme e com outras deformações. Foram avaliadas duas arquiteturas CNNs para a execução dos experimentos: ResNet-18 e DenseNet-121, construídas no framework Pytorch. Para cada CNN realizou-se dois testes: i) imagens originais e com aumento de dados baseado em rotações de 15° a 105°, com o intervalo de 15°; e ii) imagens segmentadas e imagens originais com aumento de dados baseado em rotações de 15° a 105°, com o intervalo de 15°. Ambas as CNNs foram treinadas com 50 épocas, taxa de aprendizado de 0,0005 e o desempenho da classificação foi avaliado com validação cruzada estratificada 5-fold sobre o conjunto de treino e a comparação entre as CNNs considerou o conjunto de teste. Os experimentos demonstram que o melhor resultado é obtido pela ResNet-18 treinada com imagens originais e com aumento de dados, alcançando 92,23% de acurácia. Entretanto, o uso de imagens segmentadas no treinamento permite obter resultados próximos do melhor para ambas CNNs avaliadas. |
| Palavras-chave | doença falciforme, classificação de eritrócitos, redes neurais convolucionais. |
| Forma de apresentação..... | Oral |