Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde
URI Permanente desta comunidade
Navegar
Navegando Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde por Assunto "[en] Deep Learning"
Agora exibindo 1 - 2 de 2
Resultados por página
Opções de Ordenação
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 AlvesOs 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.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 PianoschiA 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.