Estudos em tomografia de coerência óptica intravascular (IV-OCT) tem demonstrado a
importância das regiões de bifurcação coronária na análise de imagens médicas intravasculares,
uma vez que está região é mais propensa ao acúmulo de placas, o que pode levar a doença
coronariana. Um exame IV-OCT comum adquire centenas de imagens, portanto, uma
ferramenta automatizada para classificar as imagens como pertencentes ou não a região de
bifurcações pode ser um passo importante para acelerar a análise de imagens IV-OCT e auxiliar
métodos automatizados para a quantificação de placas ateroscleróticas. Neste trabalho,
avaliamos o desempenho de dois classificadores, SVM e Redes Neurais, na tarefa de
classificação de identificação de bifurcações em imagens IV-OCT. O estudo incluiu imagens
IV-OCT de 9 pacientes. Para melhorar o desempenho da classificação, treinamos e testamos o
SVM com diferentes parâmetros por meio de uma pesquisa de grade e diferentes critérios de
parada foram aplicados ao classificador de Rede Neural: erro quadrático médio, parada precoce
e regularização. Foram testados diferentes conjuntos de características, utilizando técnicas de
seleção de características: PCA, LDA e seleção de características escalares com correlação.
Treinamento e teste foram realizados em conjuntos com um máximo de 1460 imagens.
Quantificamos nossos resultados em termos de taxa de falsos positivos, taxas de verdadeiro
positivo, acurácia, especificidade, precisão, taxa de falsos alarmes, f-measure e área sob curva
ROC. As redes neurais obtiveram a melhor precisão de classificação, 98,83%, superando os
resultados encontrados na literatura. Nossos métodos parecem oferecer uma classificação
robusta e confiável automatizada de imagens IV-OCT que podem ajudar médicos indicando
potenciais imagens a serem analisadas. Métodos para melhorar a generalização das redes
neurais aumentaram o desempenho da classificação.
|
