Título: Implementação de Rede Neural Convolucional para Predição de COVID-19 Através de Imagens de Raio X
Autores: Erik G. C. Sena and Honovan P. Rocha
Resumo:
A COVID-19 é uma das grandes ameaças do século, desta forma, tornou-se uma necessidade prevenir a propagação do vírus para diminuir a carga nos leitos de UTI. Desta maneira, torna-se relevante o desenvolvimento de ferramentas para auxílio ao diagnóstico de casos positivos da doença. Neste contexto, este trabalho tem como objetivo o estudo, implementação e ajuste de uma Rede Neural Convolucional para classificação de pacientes com a doença. O modelo implementado foi incialmente aplicado ao banco de dados MNIST com o propósito de ajustar e validar a arquitetura da rede, em seguida, foi ajustado e aplicado a uma base de dados composta por imagens de radiografia da região toráxica de pacientes saudáveis e com COVID-19. Os experimentos realizados mostraram que a abordagem proposta obteve desempenho superior a alguns métodos do estado da arte, classificando corretamente mais de 97\% dos pacientes com COVID-19. Os resultados demonstram que a abordagem proposta gera boa separabilidade entre classes, podendo ser usado como ferramenta de auxílio ao diagnóstico.
Palavras-chave:
Redes Neurais Convolucionais, Reconhecimento de Padrões, COVID-19, Imagens de raio X.
Páginas: 8
Código DOI: 10.21528/CBIC2021-151
Artigo em pdf: CBIC_2021_paper_151.pdf
Arquivo BibTeX: CBIC_2021_151.bib