FenixEdu™

Dissertação

{en_GB=Using multi-input deep learning networks in medical images for the automatic detection of pathological states} {} EVALUATED

Detalhes: {pt=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., en=One of the most common ways to detect a pathological state, through diagnosis, is by using medical images such as in vivo confocal microscopy, fundus photography, etc. These diagnoses are demanding, since it is needed a specialized health professional and there has been an increase of data regarding this type of diagnoses, making it too hard to manage. This increase in data availability associated with the increase in computational power has instigated the application of Artificial Inteligence (AI) algorithms in this area. This study tested the hypotheses of multi-input deep learning networks for both images of cornea and retina, to distinguish between healthy and pathological states in diabetic neuropathy and diabetic retinopathy, respectively. It was proposed a multi-input architecture with different networks, such as LeNet-5, AlexNet, GoogLeNet and ResNet, and different optimizers (mini-batch SGD, RMSprop, Adam) with different learning rates (0.01, 0.001, 0.0001). All these variations were only applied in corneal images and the one that showed a better performance was selected to be tested in retinal images. From the corneal images trials, it was concluded that the combination that best performed was GoogLeNet with Adam optimizer of 0.01 learning rate, since it achieved an accuracy of 99.40% in leave-one-out cross-validation. In retinal images this architecture achieved a satisfactory accuracy of 84.44%, although the F1-score of 0.125 showed that the model is not reliable. Nevertheless, this study demonstrates the capability of the proposed multi-input network in the classification of healthy and pathological state, and encourages furhter investigation.}
Keywords: {pt=Deep learning, redes neuronais com multiplas entradas, Neuropatia diabética, Retinopatia diabética, en=Deep learning, Multi-input network, diabetic neuropathy, diabetic retinopathy}

Discussão: novembro 19, 2021, 10:0