Das Montanhas de Minas ao Oceano : Os Caminhos da Ciência para um futuro sustentável
20 a 24 de outubro de 2025
Trabalho 22546
| Instituição | Universidade Federal de Viçosa |
|---|---|
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Dimensões Sociais: ODS3 |
| Setor | Instituto de Ciências Exatas e Tecnológicas |
| Bolsa | FAPEMIG |
| Conclusão de bolsa | Sim |
| Apoio financeiro | FAPEMIG |
| Primeiro autor | Renan Silva Carvalho |
| Orientador | JOAO FERNANDO MARI |
| Outros membros | João Flávio Martins Pereira, LEANDRO HENRIQUE FURTADO PINTO SILVA |
| Título | Detecção e classificação de escoliose e distúrbios da coluna vertebral usando deep learning |
| Resumo | Os distúrbios da coluna vertebral afetam uma parcela significativa da população, impactando diretamente a qualidade de vida e representando um desafio crescente para a saúde pública. Diante disso, o uso de técnicas de visão computacional surge como uma alternativa promissora para apoiar diagnósticos rápidos e precisos. Contudo, a escassez de bases de dados públicas dificulta o treinamento de modelos robustos de aprendizado profundo, tornando fundamental a adoção de estratégias eficazes de aumento de dados para potencializar o desempenho desses modelos. Neste trabalho, investigamos o impacto de técnicas avançadas de data augmentation, CutMix, CutOut e MixUp, associadas ou não a estratégias tradicionais, na classificação automática de radiografias da coluna em três classes: saudável, escoliose e espondilolistese. Para isso, foi utilizado um dataset público composto por 338 imagens, categorizadas conforme diagnóstico clínico. Foram avaliadas três arquiteturas de deep learning: ResNet-50, Vision Transformer (ViT) e Swin Transformer V2. Os modelos foram ajustados via fine-tuning a partir de modelos pré-treinados e submetidos a experimentos com e sem aplicação das técnicas de aumento de dados. Para assegurar uma avaliação robusta, adotamos validação cruzada com cinco divisões aleatórias estratificadas, calculando a média e o desvio padrão das acurácias obtidas. Os resultados mostram que o ViT, quando combinado com CutMix e aumento de dados padrão, obteve a melhor acurácia média (0.9882), superando trabalhos anteriores na mesma tarefa. O Swin Transformer V2 apresentou desempenho competitivo, porém mais sensível à escolha da técnica de aumento. Já a ResNet-50 alcançou bons resultados com abordagens tradicionais, mas foi menos beneficiada pelas técnicas avançadas. Os resultados reforçam o potencial das arquiteturas modernas, especialmente baseadas em Transformers, aliadas a estratégias apropriadas de data augmentation, para a classificação de imagens médicas em cenários desafiadores, como bases de dados pequenas e desbalanceadas. Como perspectivas futuras, destacamos o uso de técnicas de inteligência artificial explicável, como Grad-CAM, para aumentar a interpretabilidade dos modelos e a aplicação dessas estratégias em outros contextos de diagnóstico assistido por imagem. |
| Palavras-chave | Distúrbios da coluna vertebral, aprendizado profundo, aumento de dados |
| Apresentações |
|
Clique na forma de apresentação para ver a apresentação.
| Link para apresentação | Vídeo |
|---|