Título: Modelo híbrido de aprendizado de máquina para extração de características em imagens de radiografia de tórax
Autores: Rodrigo Marcel Araujo Oliveira, Caroline Ribeiro Figueredo, Luciano Almeida da Silva, Paulo Cesar Machado de Abreu Farias, Angelo Márcio Oliveira SantAnna
Resumo: O diagnostico de doenças com imagens e auxílio de sistemas computacionais de Inteligência Artificial v em sendo desenvolvidos e aplicados em varios contextos clínicos. A Indústria 4.0 tem um papel fundamental nesse processo e pesquisas recentes demonstram que transferência de aprendizado de redes neurais convolucionais pre-treinadas como ResNet-50, VGG-16 e Inception podem contribuir significativamente no resultado das prediçoes para classificação de imagens. Contudo, na maioria das vezes, o treinamento de redes neurais requer um tempo de execução consider avel. Este artigo propõe um método rápido e eficiente para treinamento com menor tempo de execução baseado em algoritmos de aprendizado de máquina para modelagem preditiva de imagens de radiografia de torax de pacientes saudaveis e com pneumonia. O trabalho consiste em desenvolver uma modelagem híbrida usando a ResNet-50 para extração de características, a análise de componentes principais para reduzir a dimensão das variáveis preditoras e o modelo Random Forest para classificar as imagens. Algoritmos geneticos foram utilizados para otimizar os parametros do modelo Random Forest. Os resultados dessa abordagem permitiu alcançar valores relevantes de desempenho quando comparado com os encontrados na literatura por arquiteturas robustas de redes neurais. O classificador híbrido Random Forest proposto alcançou 93%, 79%, 88% de ROC-AUC nos conjuntos de treino, teste e validação, respectivamente.
Palavras-chave: ResNet-50, Random Forest, radiografia de torax, Algoritmos Genéticos, PCA.
Páginas: 8
Código DOI: 10.21528/CBIC2023-086
Artigo em pdf: CBIC_2023_paper086.pdf
Arquivo BibTeX: CBIC_2023_086.bib