Título: Redes Neurais Convolucionais Aplicadas na Detecção de Pneumonia Através de Imagens de Raio-X
Autores: Luan Silva, Leandro Araújo, Victor Souza, Adam Santos, Raimundo Neto
Resumo: Segundo a Organização Mundial da Saúde (OMS), a pneumonia mata cerca de 2 milhões de crianças menores de 5 anos e é constantemente estimada como a principal causa de mortalidade infantil, matando mais crianças do que o HIV/AIDS, a malária e o sarampo juntos. A aplicação de técnicas de aprendizagem profunda para classificação de imagens médicas cresceu consideravelmente nos últimos anos. Esta pesquisa apresenta três implementações de redes neurais convolucionais (RNCs): ResNet50, VGG-16 e InceptionV3. Essas RNCs são aplicadas com o objetivo de solucionar o problema de classificação de radiografias médicas de pessoas com pneumonia, a fim de auxiliar no diagnóstico da doença. As três arquiteturas utilizadas nesta pesquisa obtiveram resultados satisfatórios. A ResNet50 superou InceptionV3 e VGG-16, alcançando a maior porcentagem de precision em treinamento e teste, assim como resultados superiores no recall e f1-score. O f1-score da ResNet50 para a classe normal foi de 88,42%, comparado a 81,54% para a InceptionV3 e 81,42% para a VGG-16. Para a classe de pneumonia foi 95,10% contra 92,82% da InceptionV3 e 92,54% da VGG-16.
Palavras-chave: Aprendizagem profunda; Reconhecimento de padrões; Redes neurais convolucionais.
Páginas: 8
Código DOI: 10.21528/CBIC2019-24
Artigo em pdf: CBIC2019-24.pdf
Arquivo BibTeX: CBIC2019-24.bib