Dissertação
Classification of Chest X-Ray Images with Deep Neural Networks for Detecting COVID-19 EVALUATED
Este trabalho aborda a tarefa de classificar de forma exata imagens de raio-X para deteção de COVID-19, diferenciando imagens de pacientes saudáveis, pacientes com pneumonia, e pacientes com COVID-19. Experiências compararam redes neuronais convolucionais e Vision Transformers. Os objetivos principais foram avaliar o uso de self-attention em redes neuronais para classificação de imagens de contexto médico, testar a arquitetura Swin Transformer, e modificar redes neuronais convolucionais conhecidas com base em modelos estado-da-arte recentes, e.g. como na arquitetura ConvNeXT. As modificações incluíram o uso de depthwise separable convolutions, novas funções de ativação, bottleneck blocks invertidos, entre outras. Embora Vision Transformers sejam consideradas as arquiteturas de estado-da-arte para classificação de imagens, em comparação as redes neuronais convolucionais possuem uma vantagem natural em tarefas de visão computacional em situações nas quais os datasets têm uma dimensão reduzida, e foram deste modo consideradas um caminho viável a seguir nas nossas experiências. Os resultados experimentais mostram que a tarefa de classificar raios-X do tórax é complexa. Embora os resultados obtidos sejam relativamente satisfatórios, com exatidão superior a 80%, não houve diferenças significativas nos resultados dos nossos modelos de baseline, nomeadamente redes neuronais convolucionais tais como a ResNet50, VGG16, DenseNet121, e os modelos estudados nesta dissertação, uma variante da Swin Transformer e uma variante da ConvNeXT. O modelo ConvNeXT forneceu uma ligeira melhoria de desempenho em exatidão, macro e weighted precision e recall, mas a diferença não é suficientemente significativa para afirmar que este modelo se apresenta como uma melhoria sobre arquiteturas mais convencionais nesta tarefa.
junho 20, 2022, 18:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Bruno Emanuel Da Graça Martins
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado
ORIENTADOR
Arlindo Manuel Limede de Oliveira
Departamento de Engenharia Informática (DEI)
Professor Catedrático