Aplicação de método ensemble para classificação de imagens médicas cardíacas

Autores

DOI:

https://doi.org/10.59681/2175-4411.v17.2025.1207

Palavras-chave:

aprendizado de máquina, cardiomiopatias, cinerressonância magnética

Resumo

As doenças cardíacas são responsáveis por cerca de 17 milhões de mortes globalmente, segundo a Organização Mundial da Saúde. Esse cenário tem motivado um aumento na busca por acompanhamento médico preventivo, o que resultou em uma maior demanda por exames de ressonância magnética cardíaca. A identificação de cardiomiopatias nesse volume crescente de exames representa um desafio significativo para as equipes médicas. Com o objetivo de auxiliar nesse processo, este trabalho propõe uma metodologia baseada em aprendizado de máquina supervisionado para o reconhecimento de cardiomiopatias. O método considera diferentes slices do órgão e leva em conta as especificidades do ciclo cardíaco, abordando limitações de abordagens anteriores. Durante os experimentos, foi obtida uma acurácia de 80,00% e uma precisão de 82,26% no melhor cenário de teste, que considera as estruturas do epicárdio e do endocárdio durante a fase diastólica do ciclo cardíaco. Os resultados demonstram o potencial da abordagem proposta no apoio ao diagnóstico médico, especialmente em contextos de alta demanda por exames.

Biografia do Autor

Guilherme Ormond Sampaio, Centro Universitário FEI

Bacharel em Ciência da Computação pelo Centro Universitário FEI.

Leon Ferreira Bellini, Centro Universitário FEI

Bacharel em Ciência da Computação pelo Centro Universitário FEI.

Leila Cristina Carneiro Bergamasco, Centro Universitário FEI

Professora no Centro Universitário FEI.

Referências

World Health Organization (WOS). Cardiovascular diseases. [Internet]. 2021. [citado 2025 ago 13] Disponível em: https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds)

Hanna TN, Zygmont ME, Peterson R, Theriot D, Shekhani H, Johnson JO, et al. The Effects of Fatigue From Overnight Shifts on Radiology Search Patterns and Diagnostic Performance. J Am Coll Radiol. 2018 Dec;15(12):1709-1716. doi: 10.1016/j.jacr.2017.12.019. Epub 2018 Feb 1. PMID: 29366599; PMCID: PMC6054573.

Simran V, Gupta A. Effective prediction of heart disease using data mining and machine learning: A review. In International Conference on Artificial Intelligence and Smart Systems (ICAIS); 2021. p. 249-253.

Bergamasco L. Recuperação de objetos médicos 3D utilizando harmônicos esféricos e redes de fluxo. Tese de Doutorado. São Paulo: Universidade de São Paulo (USP); 2018.

Ghosh P, Azam S, Jonkman M, Karim A, Shamrat F, Ignatious E, et al. Efficient Prediction of Cardiovascular Disease Using Machine Learning Algorithms With Relief and LASSO Feature Selection Techniques. 2021. IEEE Access, 9, 19304-19326.

Salvatore C, Cerasa A, Castiglioni I, Gallivanone F, Augimeri A, Lopez M, et al. Machine learning on brain MRI data for differential diagnosis of Parkinson's disease and Progressive Supranuclear Palsy. Journal of Neuroscience Methods. 2014; 222:230-237.

Moreno A, Rodriguez J, Martínez F. Regional Multiscale Motion Representation for Cardiac Disease Prediction. XXII Symposium on Image, Signal Processing and Artificial Vision (STSIVA) 2019 (pp. 1-5).

Zhuang J, Cai J, Wang R, Zhang J, Zheng WS. Deep kNN for Medical Image Classification. Medical Image Computing and Computer Assisted Intervention – MICCAI 2020. 2020;127–36.

Norvig, Russel P, Artificial S. Intelligence. A modern approach. Vol. 90. Prentice Hall, 2020.

Raza K. Improving the prediction accuracy of heart disease with ensemble learning and majority voting rule [Internet]. ScienceDirect. Academic Press; 2019. p. 179–96. [citado 2025 ago 13] Disponível em: https://www.sciencedirect.com/science/article/abs/pii/B9780128153703000086

Miao K, Miao J, Miao G. Diagnosing Coronary Heart Disease using Ensemble Machine Learning. International Journal of Advanced Computer Science and Applications. 2016;7(10).

Fries JA, Varma P, Chin-Hung Chen V, Xiao K, Tejeda H, Saha P, et al. Weakly supervised classification of aortic valve malformations using unlabeled cardiac MRI sequences. Nature Communications. 2019 Jul 15;10(1).

Qayyum A, Anwar SM, Awais M, Majid M. Medical image retrieval using deep convolutional neural network. Neurocomputing. 2017 Nov;266:8–20.

Nasimov R, Nasimova N, Botirjon K; ABDULLAYEV, Munis. Deep Learning Algorithm for Classifying Dilated Cardiomyopathy and Hypertrophic Cardiomyopathy in Transport Workers. Lecture Notes In Computer Science, [S.L.], p. 218-230, 2023. Springer Nature Switzerland. [citado 2025 ago 13] Disponível em: http://dx.doi.org/10.1007/978-3-031-30258-9_19.

Balaji GN, Subashini TS, Chidambaram N. Detection and diagnosis of dilated cardiomyopathy and hypertrophic cardiomyopathy using image processing techniques. Engineering Science And Technology, An International Journal, [S.L.], v. 19, n. 4, p. 1871-1880, dez. 2016. Elsevier BV. [citado 2025 ago 13] Disponível em: http://dx.doi.org/10.1016/j.jestch.2016.10.001.

Imagem ilustrativa de um coração, imagens cardíacas e medidores.

Downloads

Publicado

07-09-2025

Como Citar

Sampaio, G. O., Bellini, L. F., & Bergamasco, L. C. C. (2025). Aplicação de método ensemble para classificação de imagens médicas cardíacas. Journal of Health Informatics, 17(1), 1207. https://doi.org/10.59681/2175-4411.v17.2025.1207

Edição

Seção

Artigo Original

Artigos Semelhantes

1 2 3 4 5 6 > >> 

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.