Título: Análise da seleção de hiperparâmetros de Data Augmentation na detecção de Covid-19 em imagens de raio-x com Deep Learning
Autores: Pedro Rici, Samara Oliveira Silva Santos and André Luiz Carvalho Ottoni.
Resumo:
A pandemia de Covid-19 foi declarada em 2020 pela Organização Mundial da Saúde. Um dos aspectos mais relevante dessa doença respiratória é o fato que a infecção causada pelo novo coronavírus possui uma alta taxa de disseminação. Assim, o diagnóstico rápido e preciso pode contribuir na redução da taxa de transmissão. Nesse aspecto, na literatura, técnicas de Deep Learning são estudadas para a aplicação na detecção dessa doença através de imagens de raio-x do pulmão do paciente. No entanto, um dos desafios dessa área é o treinamento de modelos de Redes Neurais Convolucionais com base de dados com poucas amostras. Uma possibilidade é a geração de imagens artificiais através de técnicas de Data Augmentation. Dessa forma, o objetivo deste trabalho é propor uma metodologia criteriosa para seleção de hiperparâmetros de Data Augmentation para a classificação de imagens de raio-x de pulmão na detecção de Covid-19 com Deep Learning. A metodologia proposta consiste na análise de acurácia de 16 combinações de transformações (zoom, rotação, intensidade do brilho e espelhamento horizontal) aplicadas na geração de novas imagens para treinamento. Após a seleção dos hiperparâmetros, o sistema classificador alcançou acurácias de até 100\% de acertos na etapa de teste.
Palavras-chave:
Deep learning, Data Augmentation, Covid-19, Rede Neural Convolucional, Imagens de Raio-x.
Páginas: 7
Código DOI: 10.21528/CBIC2021-22
Artigo em pdf: CBIC_2021_paper_22.pdf
Arquivo BibTeX: CBIC_2021_22.bib