Classificação de padrões de esclerodermia utilizando deep learning
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1300Palavras-chave:
Esclerodermia, Classificação, Deep LearningResumo
Objetivo: A esclerodermia é uma doença que não é conhecida a causa e tem como consequência o enrijecimento da pele e dos órgãos internos. Diante disso, este trabalho tem como objetivo desenvolver modelos de deep learning para auxiliar os médicos na avaliação da progressão e mortalidade da doença. Método: Foram desenvolvidos modelos de classificação de padrões PIU e PINE com a arquitetura MobileNetV2, VGG16, ResNet50 e EfficientNet para imagens de tomografia computadorizada de pacientes com esclerodermia. Resultados: Todos os modelos alcançaram acurácia de 100% nos conjuntos de treino, validação e teste e, portanto, foi possível realizar a diferenciação dos padrões apresentados nas imagens de tomografia computadorizada de pacientes que estiveram no Hospital Pedro Ernesto durante o período de 2017 e 2022. Conclusão: Dentre os modelos avaliados, o melhor é a MobileNetV2 devido possuir a menor quantidade de parâmetros entre todas as arquiteturas avaliadas neste trabalho.
Referências
Sociedade Brasileira de Reumatologia (2017, October 27). Esclerodermia - Sociedade Brasileira de Reumatologia.
Leite, C, Maia, A. "Sintomas de doença e adaptação psicológica em pacientes brasileiros com esclerodermia". Revista Brasileira de Reumatologia 2013; 53(5):405–411. DOI: https://doi.org/10.1590/S0482-50042013000500007
Steen, V, Oddis, C, Conte, C, Janoski, J, Casterline, G, Medsger, T. "Incidence of systemic sclerosis in Allegheny County, Pennsylvania. A twenty-year study of hospital-diagnosed cases, 1963-1982". Arthritis Rheum 1997; 40(3):441–445. DOI: https://doi.org/10.1002/art.1780400309
Frank van den Hoogen, Dinesh Khanna, Jaap Fransen, Sindhu R Johnson, Murray Baron, Alan Tyndall, Marco Matucci-Cerinic, Raymond P Naden, Thomas A Medsger, J, Patricia E Carreira, Gabriela Riemekasten, Philip J Clements, Christopher P Denton, Oliver Distler, Yannick Allanore, Daniel E Furst, Armando Gabrielli, Maureen D Mayes, Jacob M van Laar, James R Seibold, Laszlo Czirjak, Virginia D Steen, Murat Inanc, Otylia Kowal-Bielecka, Ulf Muller-Ladner, Gabriele Valentini, Douglas J Veale, Madelon C Vonk, Ulrich A Walker, Lorinda Chung, David H Collier, Mary Ellen Csuka, Barri J Fessler, Serena Guiducci, Ariane Herrick, Vivien M Hsu, Sergio Jimenez, Bashar Kahaleh, Peter A Merkel, Stanislav Sierakowski, Richard M Silver, Robert W Simms, John Varga, Janet E Pope. "2013 classification criteria for systemic sclerosis: an American college of rheumatology/European league against rheumatism collaborative initiative". Annals of the Rheumatic Diseases 2013; 72(11):1747–1755. DOI: https://doi.org/10.1136/annrheumdis-2013-204424
Desai, S, Veeraraghavan, S, Hansell, D, Nikolakopolou, A, Goh, N, Nicholson, A, Colby, T, Denton, C, Black, C, Bois, R, Wells, A. "CT Features of Lung Disease in Patients with Systemic Sclerosis: Comparison with Idiopathic Pulmonary Fibrosis and Nonspecific Interstitial Pneumonia". Radiology 2004; 232(2):560-567. DOI: https://doi.org/10.1148/radiol.2322031223
Jonathan G. Goldin, David A. Lynch, Diane C. Strollo, Robert D. Suh, Dean E. Schraufnagel, Philip J. Clements, Robert M. Elashoff, Daniel E. Furst, Sarinnapha Vasunilashorn, Michael F. McNitt-Gray, Mathew S. Brown, Michael D. Roth, Donald P. Tashkin. "High-Resolution CT Scan Findings in Patients With Symptomatic Scleroderma-Related Interstitial Lung Disease". Chest 2008; 134(2):358–367. DOI: https://doi.org/10.1378/chest.07-2444
Goodfellow, I, Bengio, Y, Courville, A. Deep Learning. MIT Press; 2016.
Alexander Selvikvåg Lundervold, Arvid Lundervold. "An overview of deep learning in medical imaging focusing on MRI". Zeitschrift für Medizinische Physik 2019; 29(2):102-127 DOI: https://doi.org/10.1016/j.zemedi.2018.11.002
Montagnon, A. "Deep learning workflow in radiology: a primer". Insights into Imaging 2020; 11(1):22. DOI: https://doi.org/10.1186/s13244-019-0832-5
Prastyo Eko Susanto, Arrie Kurniawardhan, Dhomas Hatta Fudholi, Ridho Rahmadi. "A Mobile Deep Learning Model on Covid-19 CT-Scan Classification". International Journal of Artificial Intelligence Research 2022; 6(2). DOI: https://doi.org/10.29099/ijair.v6i1.257
TÜRK V, ÇATAL REİS H, KAYA S. Derin öğrenme mimarilerini kullanarak göğüs BT görüntülerinden otomatik Covid-19 tahmini. Gümüşhane Üniversitesi Fen Bilimleri Enstitüsü Dergisi. Gumushane University Journal of Science and Technology Institute; 2022. Disponível em: http://doi.org/10.17714/gumusfenbil.1002738 DOI: https://doi.org/10.17714/gumusfenbil.1002738
Almeida, A, Bilbao, A, Ruby, L, Rominger, M, López-De-Ipiña, D, Dahl, J, ElKaffas, A, Sanabria, SLung ultrasound for point-of-care COVID-19 pneumonia stratification: computer-aided diagnostics in a smartphone. First experiences classifying semiology from public datasets. In 2020 IEEE International Ultrasonics Symposium (IUS) 2020 (pp. 1-4). DOI: https://doi.org/10.1109/IUS46767.2020.9251716
Torrey L, Shavlik J. Transfer Learning. Handbook of Research on Machine Learning Applications and Trends. IGI Global; 2010. p. 242–64. Disponível em: http://doi.org/10.4018/978-1-60566-766-9.ch011 DOI: https://doi.org/10.4018/978-1-60566-766-9.ch011
Yu X, Wang J, Hong QQ, Teku R, Wang SH, Zhang YD. Transfer learning for medical images analyses: A survey. Vol. 489, Neurocomputing. Elsevier BV; 2022. p. 230–54. Disponível em: http://doi.org/10.1016/j.neucom.2021.08.159 DOI: https://doi.org/10.1016/j.neucom.2021.08.159
Zhang X, Zhou J, Sun W, Kumar Jha S. A Lightweight CNN Based on Transfer Learning for COVID-19 Diagnosis. Vol. 72, Computers, Materials & Continua. Computers, Materials and Continua (Tech Science Press); 2022. p. 1123–37. Disponível em: http://doi.org/10.32604/cmc.2022.02458 DOI: https://doi.org/10.32604/cmc.2022.024589
Hilmizen N, Bustamam A, Sarwinda D. The Multimodal Deep Learning for Diagnosing COVID-19 Pneumonia from Chest CT-Scan and X-Ray Images. 2020 3rd International Seminar on Research of Information Technology and Intelligent Systems (ISRITI). IEEE; 2020. Disponível em: http://doi.org/10.1109/ISRITI51436.2020.9315478 DOI: https://doi.org/10.1109/ISRITI51436.2020.9315478
Martins JVG, Gregório MP, Baffa M de FO, Coelho AM. Classificação da COVID-19 em Radiografias do Tórax Utilizando Redes Neurais Profundas e Padrões Binários Locais. J Health Inform. 15º de março de 2021 [citado 29º de abril de 2024];12. Disponível em: https://jhi.sbis.org.br/index.php/jhi-sbis/article/view/843
Trombetta GBW, Fröhlich W da R, Rigo SJ, Rodrigues CA. Aplicação de Deep Learning para Diagnóstico de Pneumonia Causada por COVID -19 a partir de Imagens de Raio X. J Health Inform. 15º de março de 2021 [citado 29º de abril de 2024];12. Disponível em: https://jhi.sbis.org.br/index.php/jhi-sbis/article/view/828
Mikołajczyk, A, Grochowski, MData augmentation for improving deep learning in image classification problem. In 2018 International Interdisciplinary PhD Workshop (IIPhDW) 2018 (pp. 117-122). DOI: https://doi.org/10.1109/IIPHDW.2018.8388338
Mark Sandler, Andrew Howard, Menglong Zhu, Andrey Zhmoginov, Liang-Chieh Chen. MobileNetV2: Inverted Residuals and Linear Bottlenecks.
Simonyan K, Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv; 2014. Disponível em: https://arxiv.org/abs/1409.1556
He K, Zhang X, Ren S, Sun J. Deep Residual Learning for Image Recognition. arXiv; 2015. Disponível em: https://arxiv.org/abs/1512.03385 DOI: https://doi.org/10.1109/CVPR.2016.90
Tan M, Le QV. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. arXiv. 2019; Disponível em: https://arxiv.org/abs/1905.11946
Kingma DP, Ba J. Adam: A Method for Stochastic Optimization. arXiv; 2014. Disponível em: https://arxiv.org/abs/1412.6980
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.
