???jsp.display-item.social.title??? |
![]() ![]() |
Please use this identifier to cite or link to this item:
https://tede.ufam.edu.br/handle/tede/10764
???metadata.dc.type???: | Tese |
Title: | Explorando técnicas de aprendizado profundo no diagnóstico de doenças infecciosas |
???metadata.dc.creator???: | Oliveira, Anne de Souza ![]() |
???metadata.dc.contributor.advisor1???: | Costa, Marly Guimarães Fernandes |
First advisor-co: | Costa Filho, Cícero Ferreira Fernandes |
???metadata.dc.contributor.referee2???: | Guerra, Maria da Graça Vale Barbosa |
???metadata.dc.contributor.referee3???: | Carvalho, Celso Barbosa |
???metadata.dc.contributor.referee4???: | Guerra, Jorge Augusto de Oliveira |
???metadata.dc.contributor.referee5???: | Bezerra, Thiago Brito |
???metadata.dc.description.resumo???: | A Organização Mundial da Saúde (OMS) define doenças infecciosas como aquelas causadas por microrganismos patogênicos, como bactérias, vírus, parasitas e fungos. Essas doenças podem ter altos índices de mortalidade e sérias repercussões globais, devido à natureza rápida e inesperada de sua disseminação. Um exemplo é a malária, uma doença infecciosa potencialmente fatal, causada por protozoários transmitidos às pessoas pela picada das fêmeas de mosquitos do gênero Anopheles. Outro exemplo é a COVID-19, causada pelo coronavírus SARS-CoV-2, que também teve uma rápida e inesperada disseminação, gerando uma crise mundial de saúde. Este estudo propõe métodos automáticos para a detecção de parasitas da malária em imagens de microscopia ótica e a segmentação de área pulmonar afetada pela COVID-19 em imagens tomográficas. Para a malária foi desenvolvido um método para imagens microscópicas de gota espessa, utilizando classificadores de pixels e uma rede neural profunda de 34 camadas. A metodologia também emprega componentes HSV da imagem como variáveis de entrada para perceptron multicamadas e árvore de decisão. O conjunto de dados foi segmentado em diferentes grupos baseados nos tamanhos dos parasitas, permitindo a avaliação de métricas de desempenho como acurácia, sensibilidade, especificidade, precisão e F1-score. Os melhores resultados foram obtidos em imagens com parasitas maiores, com taxas de precisão de 91,71% e 93,14%. Em imagens com parasitas menores, as taxas de precisão foram mais baixas, alcançando 76,58% e 71,58%. Os resultados são comparáveis aos de estudos publicados anteriormente. Em relação à COVID-19, foi desenvolvido um método para ser usado com imagens de tomografias computadorizadas e foram comparadas três abordagens de segmentação automática: 1) segmentação das áreas afetadas a partir de duas estratégias de particionamento de dados (estratégias de exame e slice); 2) segmentação automática e concordância interobservador entre dois grupos de radiologistas; e 3) desempenho de segmentação utilizando métodos manuais e automáticos de segmentação pulmonar. Foram usados dois conjuntos de dados e duas arquiteturas de redes neurais convolutivas (U-Net e CNN2). As métricas Dice para segmentação automática da COVID-19 foram de 73,01±9,47% e 84,66±5,41% para as estratégias de exame e slice, respectivamente. Com a segmentação manual dos pulmões, as métricas Dice foram 74,47±9,94% e 85,35±5,41%, respectivamente. A estratégia de slice obteve um desempenho ligeiramente melhor que a de exame. Não foram observadas diferenças estatisticamente significativas entre a segmentação automática e a concordância interobservador em um grupo de sete tomografias computadorizadas. Os resultados destacam a eficácia dos métodos propostos, com bom desempenho nas métricas de avaliação. |
Abstract: | The World Health Organization (WHO) defines infectious diseases as those caused by pathogenic microorganisms such as bacteria, viruses, parasites, and fungi. These diseases can have high mortality rates and serious global repercussions due to the rapid and unexpected nature of their spread. One example is malaria, a potentially fatal infectious disease caused by protozoa transmitted to people through the bite of female mosquitoes of the genus Anopheles. Another example is COVID-19, caused by the SARS-CoV-2 coronavirus, which also spread rapidly and unexpectedly, creating a global health crisis. This study proposes automated methods for detecting malaria parasites in optical microscopy images and segmenting lung areas affected by COVID-19 in medical tomography images. For malaria, a method was developed for microscopic images of thick blood smear, utilizing pixel classifiers and a 34-layer deep neural network. The methodology also uses HSV components of the image as input variables for multilayer perceptron and decision tree classifiers. The dataset was segmented into different groups based on parasite sizes, allowing the evaluation of performance metrics such as accuracy, sensitivity, specificity, precision, and F1-score. The best results were obtained in images with larger parasites, with accuracy rates of 91.71% and 93.14%. For images with smaller parasites, accuracy rates were lower, reaching 76.58% and 71.58%. The results are comparable to those of previously published studies. Regarding COVID-19, a method was developed to be used with computed tomography (CT) images, and three automatic segmentation approaches were compared: 1) segmentation of affected areas using two data partitioning strategies (examination and slice strategies); 2) automatic segmentation and interobserver agreement between two groups of radiologists; and 3) segmentation performance using both manual and automatic lung segmentation methods. Two datasets and two convolutional neural network architectures (U-Net and CNN2) were used. The Dice metrics for automatic COVID-19 segmentation were 73.01±9.47% and 84.66±5.41% for the examination and slice strategies, respectively. For manual lung segmentation, the Dice metrics were 74.47±9.94% and 85.35±5.41%, respectively. The slice strategy showed slightly better performance than the examination strategy. No statistically significant differences were observed between automatic segmentation and interobserver agreement in a group of seven CT scans. The results highlight the effectiveness of the proposed methods, showing good performance in evaluation metrics. |
???metadata.dc.subject.cnpq???: | CNPQ::ENGENHARIAS: ENGENHARIA ELETRICA |
???metadata.dc.subject.user???: | Redes neurais convolutivas Aprendizado profundo Malária COVID-19 Imagem de gota espessa Tomografia computadorizada |
Language: | por |
???metadata.dc.publisher.country???: | Brasil |
Publisher: | Universidade Federal do Amazonas |
???metadata.dc.publisher.initials???: | UFAM |
???metadata.dc.publisher.department???: | Faculdade de Tecnologia |
???metadata.dc.publisher.program???: | Programa de Pós-graduação em Engenharia Elétrica |
Citation: | OLIVEIRA, Anne de Souza. Explorando técnicas de aprendizado profundo no diagnóstico de doenças infecciosas. 2024. 109 f. Tese (Doutorado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus (AM), 2024. |
???metadata.dc.rights???: | Acesso Aberto |
???metadata.dc.rights.uri???: | https://creativecommons.org/licenses/by-nc-nd/4.0/ |
URI: | https://tede.ufam.edu.br/handle/tede/10764 |
Issue Date: | 17-Dec-2024 |
Appears in Collections: | Doutorado em Engenharia Elétrica |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
TESE_AnneOliveira_PPGEE.pdf | 19.12 MB | Adobe PDF | ![]() Download/Open Preview |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.