Título: Redes Neurais Convolucionais para Classificação da COVID-19 em Imagens de Raio-x de Tórax
Autores: Ricardo de Sousa Farias, Kaique Rijkaard de Sousa Oliveira, Carlos Danilo Miranda Regis, Cecília de Moura Costa and José Manoel de Seixas.
Resumo:
A COVID-19 tem causado pânico e transtornos pelo mundo, principalmente pela sua forma de contágio e às altas taxas de internação em Unidades de Terapia Intensiva (UTI). Os infectados por COVID-19, geralmente apresentam sintomas que acometem o sistema respiratório. A análise de imagens de raio-x de tórax têm auxiliado o entendimento do quadro clínico dos pacientes com COVID-19, possibilitando uma melhor perspectiva dos impactos causados no pulmão. Este trabalho aborda a classificação de imagens de raio-x em três classes distintas: COVID-19, Normal e Pneumonia Viral, utilizando oito diferentes modelos convolucionais de aprendizado profundo, sendo eles a VGG16, VGG19, InceptionV3, ResNet50, InceptionResNetV2, Xception, DenseNet201 e NASNetLarge. Na classificação binária de COVID-19 e Normal, o modelo Xception se destacou na maioria da medidas de desempenho com valores em torno de 99\%. Na classificação binária entre COVID-19 e Pneumonia Viral, o modelo DenseNet201 alcançou os melhores resultados na maioria das medidas de desempenho em torno de 98\%. Na classificação multiclasse a DenseNet201 alcançou os melhores resultados em quatro das seis medidas de desempenho com valores entre 94\% e 96\%.
Palavras-chave:
COVID-19, Raio-x, Redes neurais convolucionais, Classificação de imagens.
Páginas: 8
Código DOI: 10.21528/CBIC2021-69
Artigo em pdf: CBIC_2021_paper_69.pdf
Arquivo BibTeX: CBIC_2021_69.bib