A Tuberculose (Tb) é uma das 10 principais causas de morte em todo o mundo. O
diagnóstico e o tratamento da Tb nos seus estados iniciais são fundamentais para o diminuir o
índice de pessoas afetadas pela doença, visto que a transmissão do bacilo de Kock, o agente
causador da Tb, é feito por via respiratória. Com o objetivo de auxiliar os especialistas no
diagnóstico dessa doença, muitos trabalhos têm sido desenvolvidos para a detecção automática
do bacilo de Kock em imagens de baciloscopia de campo claro, exame frequentemente utilizado
para o diagnóstico da doença. Neste trabalho é apresentado um método de detecção de bacilos
utilizando redes neurais convolucionais (RNC) para realizar a tarefa de segmentação associadas
a uma técnica de construção das imagens do banco de dados que foi denominado como imagemmosaico. A metodologia consiste na implementação de redes neurais convolucionais para
realizar a segmentação de objetos de interesse, no caso bacilos, em uma imagem-mosaico,
seguida da contagem dos bacilos segmentados. Foram avaliadas três arquiteturas de RNC, três
métodos de otimização e quatro métodos para avaliar a generalização de cada arquitetura. Ao
todo foram realizadas 36 simulações. Avaliando os desempenhos das simulações, verificou-se
que as redes com poucas camadas tem maior incidência de ruídos, ou seja, pixels classificados
erroneamente como bacilos. Isso deve-se ao fato de que poucas camadas prejudicam o
aprendizado da rede para diferenciar as classes. A arquitetura com maior quantidade de
camadas, método de otimização ADAM e método de generalização com a camada dropout
apresentou melhores resultados em relação às outras simulações. Esse modelo alcançou valores
acima de 99% para as métricas acurácia, precisão, sensibilidade, especificidade e F1-score,
métricas essas que foram utilizadas na avaliação dos modelos.
|
