Dissertação
Using multi-input deep learning networks in medical images for the automatic detection of pathological states EVALUATED
Um dos tipos de diagnostico mais comuns é através do uso de imagens médicas, como microscopia confocal in vivo, entre outras. Estes diagnósticos são exigentes, visto que apenas são realizados por profissionais de saúde especializados e o aumento deste tipo de dados, dificulta a rapidez em dar resposta. Hoje em dia, com o incremento da disponibilidade de dados e do poder computacional, a aplicação de algoritmos de Inteligência Artificial (IA) nesta área tem se normalizado. Neste estudo propôs-se a aplicação de redes de neuronais profundas com múltiplas entradas para imagens de córnea e retina, para diferenciar entre estados saudáveis e patológicos na neuropatia diabética e retinopatia diabética, respetivamente. Foram testadas, nesta arquitetura, diferentes redes neuronais como LeNet-5, AlexNet, GoogLeNet e ResNet, e optimizadores (mini-bacth SGD, RMSprop, Adam) com diferentes taxas de aprendizagem (0,01, 0,001, 0,0001). Todas estas combinações foram aplicadas apenas em imagens de córnea e a que apresentou melhor desempenho foi selecionada para ser testada em imagens de retina. No diagnóstico de neuropatia diabética a combinação com melhor desempenho foi a GoogLeNet com Adam de 0,01 (taxa de aprendizagem), pois obteve uma precisão de 99,40 % com Leave-one-out cross-validation. Já no de retinopatia esta arquitetura obteve uma precisão de 84,44 % contudo, a F1-score foi de 0,125 o que significa que o modelo não tem robustez. Desta forma este estudo demonstra que a rede neuronal de entradas múltiplas proposta tem capacidade para diferenciar entre estados saudável e patológico, e incita à investigação.
novembro 19, 2021, 10:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Rita Homem de Gouveia Costanzo Nunes
Departamento de Bioengenharia (DBE)
Professor Auxiliar
