REDES NEURAIS APLICADAS NA INVESTIGAÇÃO DE AVC POR TOMOGRAFIA COMPUTADORIZADA
Palavras-chave:
Acidente Vascular Cerebral, Tomografia Computadorizada, Processamento de Imagens, Redes Neurais.Resumo
Este trabalho apresenta uma proposta de algoritmo capaz de identificar automaticamente a ocorrência do acidente vascular encefálico (AVC) usando imagens por tomografia computadorizada (TC). São definidos os métodos de segmentação por similaridade e morfologia matemática, além dos filtros de realce utilizados para modificar o histograma da imagem, que compreende os dados de entrada de uma rede neural Perceptron multicamadas, responsável pela classificação. A utilização deste algoritmo para o auxílio ao diagnóstico médico busca agilizar o processo de detecção da doença, de forma precisa e satisfatória, uma vez que a resposta final dada pelo especialista responsável depende de sua subjetividade. O trabalho mostra o desenvolvimento do algoritmo e a análise de seus resultados, que alcança uma acurácia de 98,51% durante o treinamento de classificação utilizando o filtro de difusão anisotrópica e 91,33% para segmentação utilizando métodos de limiarização. Uma comparação entre outras técnicas de processamento de imagem e inteligência artificial é realizada, procurando obter a melhor resposta dentro de um modelo novo e de baixo custo.
Downloads
Referências
BRAGA, Jorge Luiz; ALVARENGA, Regina M. P; MORAES NETO, João. B. Mascarenha de. Acidente vascular cerebral. Rev Bras Med, v. 60, n. 3, p. 88-94, 2003.
BRASIL. Acidente vascular cerebral (AVC), 2017. Disponível em http://www.brasil.gov.br/noticias/saude/2012/04/acidente-vascular-cerebral-avc. Acesso em: 17 Dez. 2018.
CANCELA, Diana Manuela Gomes. O acidente vascular cerebral–classificação, principais consequências e reabilitação. O portal do Psicólogo, Portugal, p. 2-18, 2008.
CAVALCANTE, Tarique da Silveira et al. Segmentação automática 2D de vias aéreas em imagens de tomografia computadorizada do tórax. Revista Brasileira de Engenharia Biomédica, [s.l.], v. 29, n. 4, p.389-403, 2013. Editora Cubo Multimídia. http://dx.doi.org/10.4322/rbeb.2013.038.
CHAWLA, Mayank et al. A method for automatic detection and classification of stroke from brain CT images. Annual International Conference of the IEEE Engineering In Medicine And Biology Society. set. 2009. http://dx.doi.org/10.1109/iembs.2009.5335289.
FARIA, Diego. Análise e Processamento de Imagem.Faculdade de Engenharia da Universidade do Porto. Jun 2010.
FREITAS, Emannuel D. G. de. Segmentação de Regiões de AVC Isquêmicos em Imagens de TC por meio da Classificação de Textura. Dissertação (Mestrado em Engenharia Elétrica) - Instituto Federal de Educação, Ciência e Tecnologia da Paraíba - IFPB/Coordenação de Pós-Graduação em Engenharia Elétrica. João Pessoa - PB, 19 Jul. 2016. http://dx.doi.org/10.21528/CBIC2015-062.
HOUNSFIELD, G. N. Computed Medical Imaging. Journal of Computer Assisted Tomography, 4(5), 665–674, 1980. https://doi.org/10.1097/00004728-198010000-00017
LIBERMAN, Felipe. Classificação de Imagens Digitais por Textura usando Redes Neurais. Dissertação (Mestrado em Ciência da Computação) - Instituto de Informática, Universidade Federal do Rio Grande do Sul. Porto Alegre, 27 Nov. 1997.
LISOWSKA, Aneta et al. Thrombus Detection in CT Brain Scans using a Convolutional Neural Network. Proceedings Of The 10th International Joint Conference On Biomedical Engineering Systems And Technologies, 2017. Science and Technology Publications. http://dx.doi.org/10.5220/0006114600240033.
MILSZTAJN, Flávio. Segmentação de tecidos cerebrais em imagens de ressonância magnética utilizando campos aleatórios de Markov. Dissertação (Mestrado em Informática) – Setor de Ciências Exatas, Universidade Federal do Paraná. Curitiba, 2003.
MIRANDA, José I., CAMARGO NETO, João, Modelo de Difusão Anisotrópica para Detecção de Bordas.
Embrapa Informática Agropecuária. Comunicado técnico, 72, ISSN 1677-8464, Campinas – SP, Nov 2007.
NUNES, Fátima L. S. Atualizações em Informática: Introdução ao Processamento de Imagens Médicas para Auxílio ao Diagnóstico – Uma Visão Prática. Capítulo 2. Rio de Janeiro: Editora PUC-Rio : SBC, 2006.
SANCHES, Carlos H. et al. Técnicas de Suavização de Imagens e Eliminação de Ruídos. Anais do EATI – Encontro Anual de Tecnologia da Informação. Frederico Westphalen – RS, p.21-30, Nov. 2015.
SAVIONE, Herick; GLUECK, Flávio; MAGALHÃES, Fabíola C. R.. Tomografia Computadorizada. Faculdade Novo Rumo. Belo Horizonte - MG, 3ed, 2010.
TARALLO, André S.. Segmentação e Classificação de Imagens Digitais de Úlceras Cutâneas através de Redes Neurais Artificiais. Dissertação (Mestrado em Engenharia Elétrica) - Departamento de Engenharia Elétrica, Escola de Engenharia de São Carlos - Universidade de São Paulo, São Carlos - SP, 2007.
WANG, Shijun; SUMMERS, Ronald M. Machine Learning and Radiology. Med Image Anal; 16(5): 933–951. doi:10.1016/j.media. Jul. 2012. https://doi.org/10.1016/j.media.2012.02.005