Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde

URI Permanente desta comunidade

https://repositorio.ufcspa.edu.br/handle/123456789/1669

Navegar

Navegando Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde por Autor "Becker, Carla Diniz Lopes"

Agora exibindo 1 - 5 de 5
  • Imagem de Miniatura
    Item
    Desenvolvimento de uma Rede Neural Convolucional para classificação de sinais acústicos da deglutição de indivíduos com disfagia orofaríngea
    (2024-10-18) Andrade, Dieine Estela Bernieri Schiavon; Becker, Carla Diniz Lopes; Rech, Rafaela Soares; Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde
    Introdução: A deglutição é um processo contínuo que se inicia na cavidade oral e termina quando o alimento chega ao estômago. Qualquer alteração no trânsito do bolo alimentar, que interfira na segurança e na eficiência durante o trajeto, é considerado de disfagia. A disfagia afeta significativamente a vida de quem sofre dessa condição, causando consequências severas à saúde do indivíduo. O exame padrão ouro para diagnóstico de disfagia é a videofluoroscopia, que é um exame de raio-x dinâmico, que está relacionado ao desconforto e riscos ao indivíduo. A avaliação clínica ainda é permeada de subjetividade e o uso do aprendizado de máquina mostra-se promissor para a qualificação da mesma. Objetivo: Analisar a acurácia diagnóstica de um modelo baseado em Rede Neural Convolucional que permitirá classificar deglutições de indivíduos com disfagia orofaríngea e indivíduos com deglutição normal ou funcional. Método: Estudo transversal de acurácia diagnóstica, realizado a partir de um banco de dados com sinais acústicos de deglutição de indivíduos adultos e idosos, captados por meio da ausculta cervical digital e classificados por um fonoaudiólogo capacitado como deglutição normal e com disfagia orofaríngea. O diagnóstico de disfagia orofaríngea foi confirmado pela videofluoroscopia da deglutição. As gravações de áudio completas, com todos os eventos de deglutição amostrados em uma frequência de 4 kHz, foram transformadas em espectrogramas e escalogramas e, em seguida, em imagens. Uma arquitetura de rede neural convolucional binária foi desenvolvida para classificar deglutições normais e alteradas. Os modelos foram treinados usando um holdout de 3 vias e validação cruzada de 10 vezes. Os espectrogramas e escalogramas foram usados separadamente como entrada para a rede para extração de características. Assim, as frequências presentes nas gravações de áudio foram representadas visualmente ao longo do tempo. Quatro experimentos foram realizados com gravações de áudio de deglutição de saliva, líquido, pastoso e sólido, alternando o tipo de entrada para a rede. Os três primeiros experimentos verificaram o desempenho dos modelos na classificação da deglutição normal ou alterada. O último experimento usou exclusivamente sinais de deglutição com consistência pastosa para verificar o desempenho dos modelos na classificação do tipo de deglutição, se normal ou anormal e a forma, se livre ou controlada. Resultados: O modelo com espectrograma obteve melhores resultados no primeiro experimento, com acurácia de 90,54% e recall de 91,89%. No segundo experimento, o modelo com escalograma obteve melhor desempenho, com uma acurácia de 89,44%, recall de 95,92%. Os modelos avaliados no terceiro experimento tiveram a mesma acurácia de 73,68%. No quarto experimento, três modelos obtiveram acurácia e recall de 100%; apenas o modelo com avaliação intragrupo (disfagia) teve desempenho inferior, com acurácia de 70% e recall de 75%. Conclusão: Os modelos treinados com espectrogramas e escalogramas tiveram resultados semelhantes em todos os experimentos, sendo promissores para a classificação automática de sinais de deglutição normal e alterada. Os modelos propostos apresentam potencial para uso na prática clínica para uma identificação precoce e acurada da disfagia orofaríngea.
  • Imagem de Miniatura
    Item
    Método computacional para o controle de qualidade de mamógrafos a partir de imagens obtidas com objetos simuladores de mama
    (2023-06-28) Cecchetto, Bernardo; Botelho, Viviane Rodrigues; Becker, Carla Diniz Lopes; Pianoschi, Thatiane Alves
    Os exames de mamografia são considerados como padrão-ouro para detecção de câncer de mama, de acordo com a Organização Mundial da Saúde (OMS). Como o exame tem o objetivo de detectar pequenos achados mamográficos, é necessário que os mamógrafos possuam alta sensibilidade e gerem imagens com elevada resolução espacial. Por isso, tais equipamentos são regularmente submetidos a testes de controle de qualidade utilizando objetos simuladores, conforme exigências estabelecidas pela Agência Nacional de Vigilância Sanitária (ANVISA), detalhadas na Resolução da Diretoria Colegiada (RDC) da Instrução Normativa De 27 De Maio De 2021 (IN 92), ou pelo manual da International Atomic Energy Agency (IAEA). Nestes testes, artefatos que representam a estrutura de uma mama são imageados em um mamógrafo e, neles, existem estruturas que simulam achados mamográficos, tais como microcalcificações, massas tumorais ou nódulos. Uma quantidade mínima dessas estruturas deve ser visualizada na imagem para garantir a qualidade operacional do equipamento. Atualmente, esta análise é feita de forma visual, o que torna o teste de qualidade subjetivo e operador-dependente. Dessa forma, o presente estudo desenvolveu um modelo baseado em algoritmos de deep learning e processamento de imagens a fim de automatizar o controle de qualidade de imagem em equipamentos de mamografia. O modelo desenvolvido atingiu uma acurácia de 96,38%, 96,52% e 94,78% para a classificação de visibilidade das fibras, massas e microcalcificações, respectivamente.
  • Imagem de Miniatura
    Item
    Um modelo baseado em redes neurais convolucionais para predição de malignidade de nódulos pulmonares a partir de imagens pré-processadas em MIP
    (Wagner Wessfll, 2021) Wunderlich, Ricardo; Becker, Carla Diniz Lopes; Alva, Thatiane Alves Pianoschi
    A Inteligência Artificial, mais precisamente o Deep Learning e as redes neurais convolucionais, estão sendo utilizadas para a detecção de nódulos pulmonares e outras doenças em exames de Raios X e principalmente Tomografia computadorizada. O presente trabalho teve como objetivo propor uma metodologia para predição de malignidade em nódulos pulmonares pré-processados em imagens em MIP, utilizando redes neurais convolucionais, em exames de tomografia computadorizada. As imagens oriundas do dataset LIDC-IDRI foram pré processadas em padrão MIP (máxima intensidade de projeção), manualmente em estação de trabalho, GE ADW 4.1utilizando a ferramenta de reformatação multiplanar. Tanto as imagens dos nódulos, no plano axial, como as imagens reformatadas em MIP foram utilizadas para treinamento e testes na rede neural convolucional ResNet-50, o treinamento foi supervisionado, foi utilizado o método de validação cruzada. O uso de imagens no padrão MIP, fornece informações suficientes para o treinamento de redes neurais, mas perde desempenho em relação as axiais, detectando características de borda. O valor de AUC médio para os 5 folds foi de 0,79 no MIP e de 0,74 no uso do MIP+axial e de 0,95 no axial.
  • Imagem de Miniatura
    Item
    Uma Arquitetura de Aprendizado Profundo Multimodal para Auxílio no Diagnóstico de Hepatocarcinoma
    (2019) Menegotto, Alan Baronio; Cazella, Silvio Cesar; Becker, Carla Diniz Lopes
    Introdução: O aprendizado de máquina profundo é uma técnica de inteligência artificial que vem sendo empregada com sucesso na construção de sistemas de auxílio-diagnóstico computadorizado. O auxílio-diagnóstico computadorizado de hepatocarcinoma, doença que não possui sintomas patognomônicos, comumente é realizado utilizando exclusiva- mente atributos clínicos, atributos genéticos ou exames radiológicos. A fusão destas múltiplas modalidades de dados poderia melhorar o desempenho desse tipo de sistema. Este estudo descreve as etapas de criação e avaliação de um algoritmo de aprendizado de máquina profundo para auxílio-diagnóstico computadorizado de hepatocarcinoma que combina exames laboratoriais, atributos clínicos, antropométricos e sociodemográficos com exames de imagem. Objetivo: O objetivo geral é desenvolver uma arquitetura de auxílio-diagnóstico computadorizado de hepatocarcinoma baseado em um algoritmo de aprendizado de máquina profundo supervisionado associando exames laboratoriais, atri- butos clínicos, antropométricos, sociodemográficos com exames de imagem. Métodos: A natureza das tarefas envolvidas indica que o tipo de pesquisa realizado é primariamente experimental. O desenvolvimento de um algoritmo de aprendizado de máquina profundo para auxílio-diagnóstico computadorizado de hepatocarcinoma é composto por tarefas como obtenção e preparação das bases de dados utilizadas para treinamento e testes, definição das arquiteturas de redes convolucionais unimodais e multimodais utilizadas, execução de experimentos e avaliação dos resultados. Resultados: O desempenho obtido pela arquitetura desenvolvida utilizando uma rede Xception modificada, aplicando pré- processamento nas imagens e combinando estas múltiplas modalidades de dados através de fusão de dados intermediária foi: acurácia = 86.9%, precisão = 89.6%, revocação = 86.9% e F-Score = 86.7%. O ganho de precisão obtido com a abordagem multimodal, quando comparada a abordagem unimodal com a rede convolucional Xception foi de 28.8% nos experimentos de verificação. Conclusão: Os experimentos realizados sugerem uma superioridade de desempenho ao utilizar abordagens multimodais com fusão de dados intermediária e imagens pré-processadas para sistemas de auxílio-diagnóstico de hepa- tocarcinoma implementados com aprendizado de máquina profundo. Além disso, nesta base de dados o desempenho da arquitetura proposta é superior ao desempenho médio de especialistas que utilizam exclusivamente imagens de tomografia computadorizada no diagnóstico. Entretanto, o viés intrínseco da aplicação de técnicas de aprendizado de máquina profundo demanda que o algoritmo desenvolvido seja testado em novas bases de dados antes da aplicação no dia-a-dia em rotinas assistenciais.
  • Imagem de Miniatura
    Item
    Uma Metodologia para Classificação de Sinais Acústicos de Deglutições de Indivíduos com e sem Disfagia Via Deep Learning
    (2024-07-22) Silva, Gabriele Pessoa da; Becker, Carla Diniz Lopes; Rech, Rafaela Soares; Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde
    Introdução: A disfagia é um sintoma resultante de algum comprometimento no processo de deglutição, diagnosticado tradicionalmente por videofluoroscopia ou avaliação endoscópica com nasofibrolaringoscópio. Apesar de serem consideradas técnicas padrão-ouro devido à alta precisão na identificação de casos de disfagia, ambas são invasivas e desconfortáveis para o paciente. A ausculta cervical surge como uma técnica auxiliar aos exames de imagem padrão-ouro e é amplamente utilizada na prática clínica. Assim, é uma técnica auxiliar que pode qualificar a identificação de pessoas com alteração na deglutição. Objetivo: O objetivo deste trabalho é propor um modelo de rede neural convolucional capaz de classificar espectrogramas de sinais acústicos de deglutição, obtidos via ausculta cervical digital, de indivíduos com e sem disfagia. Materiais e Métodos: Foram utilizados sinais de áudios de deglutição via ausculta cervical de indivíduos adultos com e sem disfagia coletados pela equipe do projeto Sistema de Diagnóstico da Disfagia Apoiado por Inteligência Artificial (DIGDIS). Durante a coleta de dados, são auscultados o processo de deglutição em 7 condições diferentes: saliva, líquido controlado e livre, pastosos controlado e livre e sólido controlado e livre. Optou-se por trabalhar com os sinais de áudio da condição pastoso controlado, devido ao número de dados mais expressivo. Resultados: Os eventos de deglutição foram isolados dos sinais completos, gerando um banco de dados com 1888 eventos de deglutição. Foram obtidos 1888 espectrogramas referentes aos eventos de deglutição isolados de indivíduos com e sem disfagia. As imagens foram usadas como dados de entrada de uma rede neural convolucional associada a uma validação cruzada. Os resultados experimentais obtidos pelo modelo proposto de rede neural convolucional apresentaram uma acurácia de 75,13%, uma sensibilidade de 75,47%, uma especificidade de 75% e uma precisão de 54,5%, um F-score de 62,99% e a Curva ROC de 0,7524. Conclusões: Os resultados obtidos são similares com aqueles encontrados na literatura e evidenciam a potencialidade do diagnóstico de indivíduos com disfagia via ausculta cervical assistido por um modelo de inteligência artigicial.