Título: Algoritmos Não-Supervisionados para Suporte à Tomada de Decisão e Diagnóstico de Covid-19 usando Dados de Tomografia Computadorizada
Autores: Danton Diego Ferreira, Demóstenes Zegarra Rodriguêz, Bruno Henrique Groenner Barbosa, Taís Aparecida Alvarenga and Luis Otávio Santos
Resumo:
A inteligência artificial, mais especificadamente, os algoritmos de aprendizagem profundo e técnicas da teoria de conjuntos Fuzzy tem sido propostos em análises de imagens. Deste modo, as aplicações de aprendizado profundo em imagens médicas pulmonares, tem obtido avanços para detecção de doenças, levando a ensaios clínicos promissores no que diz respeito à triagem e diagnóstico de pacientes com o Covid-19.
Assim, imagens de Tomografia Computadorizada (TC), Radiografia Computadoriza (RC) e Ultrassonografia tem sido usadas por especialistas como ferramentas para diagnóstico da Covid-19. No entanto, devido ao número elevado de pacientes e baixa quantidade de profissionais especializados torna-se necessário um sistema de detecção por imagens para auxílio aos profissionais da saúde. Neste cenário, a inteligência computacional, mas especialmente modelos de Aprendizado Profundo do tipo Convolutional Neural Network (CNN) e métodos de classificação não-supervisionados, entre estes em destaque o método K-Means e Fuzzy C-Means, foram utilizados para a classificação de imagens de Covid-19. Para esta finalidade, foi utilizada uma base de dados disponibilizada pela Universidade de São Paulo, contendo 4173 imagens. Os resultados demonstraram a importância da seleção de características através de redes convolucionais. Na aprendizagem não-supervisionada observou-se poucas diferenças para a clusterização utilizando os métodos k-Means e Fuzzy C-Means.
Palavras-chave:
Covid-19, Transferência de Aprendizado, Aprendizado não Supervisionado, Fuzzy C-Means, K-Means.
Páginas: 8
Código DOI: 10.21528/CBIC2021-121
Artigo em pdf: CBIC_2021_paper_121.pdf
Arquivo BibTeX: CBIC_2021_121.bib