Rede Neural Convolucional para apoio no diagnóstico clínico de alterações biomecânicas da coluna lombar

Página do item simplificado
dc.contributor.advisorRech, Rafaela Soarespt_BR
dc.contributor.advisor-coCazella, Silvio Césarpt_BR
dc.contributor.authorSilva, William Moraes dapt_BR
dc.contributor.departmentPrograma de Pós-Graduação em Tecnologias da Informação e Gestão em Saúdept_BR
dc.date.accessioned2025-06-09T20:36:01Z
dc.date.available2025-06-09T20:36:01Z
dc.date.date-insert2025-06-09
dc.date.issued2025-04-03
dc.descriptionDissertação (Mestrado) - Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde, Fundação Universidade Federal de Ciências da Saúde de Porto Alegre.pt_BR
dc.description.abstractIntrodução: A dor lombar é uma das principais causas de incapacidade global, frequentemente associada a patologias como espondilolistese e hérnia de disco. O diagnóstico dessas condições por meio de radiografias pode ser subjetivo e demorado, destacando a necessidade de métodos computacionais para aprimorar a acurácia e a agilidade da análise. Esta dissertação combina uma revisão de escopo sobre o uso de aprendizado profundo na análise de imagens da coluna lombar e o desenvolvimento de um modelo baseado em Redes Neurais Convolucionais (CNNs) para apoiar o diagnóstico dessas patologias. Objetivo: Mapear o que já foi publicado na literatura sobre o uso de Redes Neurais Convolucionais (CNNs) no diagnóstico de patologias biomecânicas da coluna vertebral e desenvolver um algoritmo de CNN para auxiliar nesse diagnóstico. Metodologias: A revisão de escopo foi conduzida conforme as diretrizes do PRISMA-ScR, com protocolo de pesquisa cadastrado no Open Science Framework (OSF), com buscas realizadas em oito bases de dados (Pubmed = 40, Lilacs = 37, ScienceDirect = 3, Web of Science = 8, Wiley Online Library = 67, Embase = 25, IEEE Xplore = 15, Google Acadêmico = 63), resultando inicialmente em 258 artigos. Após a remoção de duplicatas e triagem dos resumos, 29 estudos foram selecionados para leitura completa, dos quais 18 atenderam aos critérios de inclusão. O estudo experimental utilizou a base de dados BUU-LSPINE, composta por 10.616 imagens de raio-X, sendo 8.838 de indivíduos sem patologia e 1.778 com espondilolistese. Foram aplicadas técnicas de aumento de dados para equilibrar a distribuição das classes, resultando em um total de 15.950 imagens. Foram então testadas quatro arquiteturas pré-treinadas (DenseNet201, ResNet152, VGG16 e Xception), empregando validação cruzada k-fold (k=10) e avaliadas pelas métricas de acurácia, precisão, especificidade, recall, F1-score e Área Sob a Curva ROC (AUC). Essas redes foram aplicadas para três situações de conjuntos de dados: somente as imagens em projeção ântero-posterior, somente em lateral e a base completa. Resultados: Os estudos selecionados na revisão de escopo analisaram o uso de aprendizado profundo na avaliação de imagens médicas para hérnia de disco e espondilolistese, explorando diferentes abordagens, como segmentação de imagens, técnicas de aumento de dados e aprendizado por transferência. Entre os modelos desenvolvidos, a ResNet152 apresentou o melhor desempenho geral, com acurácia de 88,34%, F1-score de 85,81%, AUC de 93,40% e alta especificidade (95,75% na projeção geral, 95,16% na lateral e 95,45% na frontal), indicando uma baixa taxa de falsos positivos e boa capacidade de generalização. A DenseNet201 destacou-se pela alta precisão (97,01%) e pela maior especificidade no conjunto completo (98,12%), além de apresentar desempenho consistente entre as diferentes projeções. Em contrapartida, a arquitetura Xception apresentou dificuldades na generalização, com acurácia de 76,31% e F1-score de 70,78%, refletindo um desempenho inferior em todas as métricas avaliadas. Conclusão: Os resultados confirmam o potencial das CNNs para auxiliar no diagnóstico por imagem, oferecendo suporte à identificação de patologias biomecânicas da coluna lombar e contribuindo para a tomada de decisão clínica. A revisão de escopo evidenciou a necessidade de mais estudos aplicados a radiografias lombares, reforçando a relevância deste trabalho para a interseção entre saúde e inteligência artificial.pt_BR
dc.description.abstract-enIntroduction: Low back pain is one of the leading causes of global disability and is often associated with conditions such as spondylolisthesis and disc herniation. Diagnosing these conditions through radiographs can be subjective and time-consuming, highlighting the need for computational methods to enhance the accuracy and efficiency of analysis. This dissertation combines a scoping review on the use of deep learning in lumbar spine image analysis with the development of a model based on Convolutional Neural Networks (CNNs) to support the diagnosis of these pathologies. Objective: To develop a Convolutional Neural Network (CNN) algorithm to assist in diagnosing biomechanical spinal pathologies and to map the existing literature on this topic. Methodology: The scoping review was conducted following PRISMA-ScR guidelines, with the research protocol registered on the Open Science Framework (OSF). Searches were performed across eight databases (PubMed = 40, Lilacs = 37, ScienceDirect = 3, Web of Science = 8, Wiley Online Library = 67, Embase = 25, IEEE Xplore = 15, Google Scholar = 63), initially retrieving 258 articles. After duplicate removal and abstract screening, 29 studies were selected for full-text review, of which 18 met the inclusion criteria. The experimental study utilized the BUU-LSPINE dataset, consisting of 10,616 X-ray images, including 8,838 from individuals without pathology and 1,778 with spondylolisthesis. Data augmentation techniques were applied to balance class distribution, resulting in a total of 15,950 images. Four pre-trained architectures (DenseNet201, ResNet152, VGG16, and Xception) were tested using 10-fold cross-validation (k=10) and evaluated based on accuracy, precision, recall, specificity, F1-score, and Area Under the ROC Curve (AUC). These networks were applied to three dataset configurations: only anteroposterior projection images, only lateral projection images, and the complete dataset. Results: The studies selected in the scoping review analyzed the use of deep learning in the evaluation of medical images for disc herniation and spondylolisthesis, exploring different approaches such as image segmentation, data augmentation techniques, and transfer learning. Among the developed models, ResNet152 achieved the best overall performance, with an accuracy of 88.34%, F1-score of 85.81%, AUC of 93.40%, and high specificity (95.75% in the overall set, 95.16% in the lateral view, and 95.45% in the frontal view), indicating a low false-positive rate and strong generalization capability. DenseNet201 stood out for its high precision (97.01%) and the highest specificity in the complete dataset (98.12%), in addition to demonstrating consistent performance across different projections. In contrast, the Xception architecture exhibited difficulties in generalization, with an accuracy of 76.31% and an F1-score of 70.78%, reflecting lower performance across all evaluated metrics. Conclusion: The results confirm the potential of CNNs in assisting image-based diagnosis, supporting the identification of biomechanical spinal pathologies, and contributing to clinical decision-making. The scoping review highlighted the need for more studies on lumbar spine radiographs, reinforcing the significance of this research at the intersection of healthcare and artificial intelligence.en
dc.identifier.urihttps://repositorio.ufcspa.edu.br/handle/123456789/3314
dc.language.isopt_BRpt_BR
dc.relation.requiresTEXTO - Adobe Readerpt_BR
dc.rightsAcesso Embargadopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/br/
dc.subjectAprendizagem Profundapt_BR
dc.subjectDiagnóstico por Imagempt_BR
dc.subjectEspondilolistesept_BR
dc.subjectDeslocamento do Disco Intervertebralpt_BR
dc.subjectRevisão de Escopopt_BR
dc.subject[en] Deep Learningen
dc.subject[en] Diagnostic Imagingen
dc.subject[en] Spondylolisthesisen
dc.subject[en] Intervertebral Disc Displacementen
dc.subject[en] Scoping Reviewen
dc.titleRede Neural Convolucional para apoio no diagnóstico clínico de alterações biomecânicas da coluna lombarpt_BR
dc.typeDissertaçãopt_BR
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
[DISSERTAÇÃO] Silva, William Moraes da (P).pdf
Tamanho:
584.18 KB
Formato:
Adobe Portable Document Format
Descrição:
Texto Parcial
Baixar
Coleções
PPGTIGSAU - Dissertações