Detecção automática de bacilos em baciloscopia de campo claro usando aprendizado profundo e técnica de imagem mosaico
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 r...
| Autor principal: | Serrão, Mikaela Kalline Maciel |
|---|---|
| Outros Autores: | http://lattes.cnpq.br/5229554360048861 |
| Grau: | Dissertação |
| Idioma: | por |
| Publicado em: |
Universidade Federal do Amazonas
2020
|
| Assuntos: | |
| Acesso em linha: |
https://tede.ufam.edu.br/handle/tede/7938 |
| id |
oai:https:--tede.ufam.edu.br-handle-:tede-7938 |
|---|---|
| recordtype |
dspace |
| spelling |
oai:https:--tede.ufam.edu.br-handle-:tede-79382020-09-22T05:04:09Z Detecção automática de bacilos em baciloscopia de campo claro usando aprendizado profundo e técnica de imagem mosaico Serrão, Mikaela Kalline Maciel Costa Filho, Cicero Ferreira Fernandes http://lattes.cnpq.br/5229554360048861 http://lattes.cnpq.br/3029011770761387 Pereira, José Raimundo Gomes http://lattes.cnpq.br/3697983438100904 Fujimoto, Luciana Botinelly Mendonça http://lattes.cnpq.br/5376739841367427 Tuberculose - Diagnóstico Baciloscopia Bacilo de Kock Redes neurais (Computação) Imagem-mosaico (Banco de dados) ENGENHARIAS: ENGENHARIA ELÉTRICA Tuberculose Baciloscopia Bacilo de Kock Redes neurais convolutivas Segmentação Imagem-mosaico 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. Tuberculosis (Tb) is one of the top 10 causes of death worldwide. The diagnosis and treatment of Tb in its early states are fundamental to reduce the rate of people affected by the disease, since the transmission of the Kock bacillus, the agent that causes Tb, is done through the respiratory route. To assist specialists in the diagnosis of this disease, many studies have been published to automatic detection of Kock's bacillus in bright field smear images, an exam frequently used to diagnose the disease. In this work, a bacillus detection method using convolutional neural networks (RNC) is presented to perform a segmentation task associated with a technique do build the images of the database, called image mosaic names. The methodology consists in the implementation of convolutional neural networks to perform a segmentation of objects of interest, in the case, the bacilli, in a mosaic image, followed by counting of segmented bacilli. Three RNC architectures, three optimization methods and four methods to evaluate a generalization of each architecture were evaluated. In total, 36 simulations were performed. Evaluating the simulation performances, we verified that networks with few layers, with a higher noise incidence, that is, some pixels are wrongly classified as bacilli. This is because few layers impair the network learning and the classes differentiation. An architecture with more layers, using the ADAM optimization method and the dropout generalization method shows the best results when compared to other models. This model reached values for metrics precision, precision, sensitivity, specificity and F1 score above 99%. These metrics were used for model’s evaluation. FAPEAM - Fundação de Amparo à Pesquisa do Estado do Amazonas 2020-09-21T23:47:17Z 2020-03-03 Dissertação SERRÃO, Mikaela Kalline Maciel. Detecção automática de bacilos em baciloscopia de campo claro usando aprendizado profundo e técnica de imagem mosaico. 2020. 82 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus, 2020. https://tede.ufam.edu.br/handle/tede/7938 por Acesso Aberto application/pdf Universidade Federal do Amazonas Faculdade de Tecnologia Brasil UFAM Programa de Pós-graduação em Engenharia Elétrica |
| institution |
TEDE - Universidade Federal do Amazonas |
| collection |
TEDE-UFAM |
| language |
por |
| topic |
Tuberculose - Diagnóstico Baciloscopia Bacilo de Kock Redes neurais (Computação) Imagem-mosaico (Banco de dados) ENGENHARIAS: ENGENHARIA ELÉTRICA Tuberculose Baciloscopia Bacilo de Kock Redes neurais convolutivas Segmentação Imagem-mosaico |
| spellingShingle |
Tuberculose - Diagnóstico Baciloscopia Bacilo de Kock Redes neurais (Computação) Imagem-mosaico (Banco de dados) ENGENHARIAS: ENGENHARIA ELÉTRICA Tuberculose Baciloscopia Bacilo de Kock Redes neurais convolutivas Segmentação Imagem-mosaico Serrão, Mikaela Kalline Maciel Detecção automática de bacilos em baciloscopia de campo claro usando aprendizado profundo e técnica de imagem mosaico |
| topic_facet |
Tuberculose - Diagnóstico Baciloscopia Bacilo de Kock Redes neurais (Computação) Imagem-mosaico (Banco de dados) ENGENHARIAS: ENGENHARIA ELÉTRICA Tuberculose Baciloscopia Bacilo de Kock Redes neurais convolutivas Segmentação Imagem-mosaico |
| description |
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. |
| author_additional |
Costa Filho, Cicero Ferreira Fernandes |
| author_additionalStr |
Costa Filho, Cicero Ferreira Fernandes |
| format |
Dissertação |
| author |
Serrão, Mikaela Kalline Maciel |
| author2 |
http://lattes.cnpq.br/5229554360048861 |
| author2Str |
http://lattes.cnpq.br/5229554360048861 |
| title |
Detecção automática de bacilos em baciloscopia de campo claro usando aprendizado profundo e técnica de imagem mosaico |
| title_short |
Detecção automática de bacilos em baciloscopia de campo claro usando aprendizado profundo e técnica de imagem mosaico |
| title_full |
Detecção automática de bacilos em baciloscopia de campo claro usando aprendizado profundo e técnica de imagem mosaico |
| title_fullStr |
Detecção automática de bacilos em baciloscopia de campo claro usando aprendizado profundo e técnica de imagem mosaico |
| title_full_unstemmed |
Detecção automática de bacilos em baciloscopia de campo claro usando aprendizado profundo e técnica de imagem mosaico |
| title_sort |
detecção automática de bacilos em baciloscopia de campo claro usando aprendizado profundo e técnica de imagem mosaico |
| publisher |
Universidade Federal do Amazonas |
| publishDate |
2020 |
| url |
https://tede.ufam.edu.br/handle/tede/7938 |
| _version_ |
1831969902469054465 |
| score |
11.753735 |