Localização e classificação de epífises em radiografias carpais utilizando modelos YOLO
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1336Palavras-chave:
idade óssea, epífise, Detecção de objetosResumo
Objetivo: Neste estudo é proposto o desenvolvimento de um modelo de detecção de epífises em imagens de raio X, utilizando modelos de aprendizado de máquina. Metodologia: descrevemos o processo de aquisição do dataset e conduzimos testes com modelos como YOLOv5, YOLOv8 e faster R-CNN. Resultados: O modelo YOLOv8 obteve erro de 1% no dataset DHA, enquanto o modelo YOLOv5 em torno de 5%. Conclusão: Após uma análise comparativa, o YOLOv8 foi selecionado como o modelo ideal para a detecção final das epífises
Referências
Hossain A, Islam MT, Almutairi AF. A deep learning model to classify and detect brain abnormalities in portable microwave based imaging system. 2022. Scientific Reports. DOI: https://doi.org/10.21203/rs.3.rs-848377/v1
Jones J, Greulich and Pyle method. 2020.
Koitka S, Kim MS. Qu M. Fischer A, Friedrich CM, Nensa F. Mimicking the radiologists’ workflow: Estimating pediatric hand bone age with stacked deep neural networks. 2020. Medical Image Analysis 64. DOI: https://doi.org/10.1016/j.media.2020.101743
Pinto, Vanessa C. Relação da idade óssea e marcadores hormonais com a capacidade física de adolescentes. 2017. J Hum Growth Dev.
Redmon J, Divvala S, Girshick R, Farhadi A. You Only Look Once: Unified, Real-Time Object Detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016. (CVPR). DOI: https://doi.org/10.1109/CVPR.2016.91
Schneider, R, Irigaray, T. Envelhecimento na atualidade: aspectos cronológicos, biológicos, psicológicos e sociais. Estudos de psicologia. 2008. DOI: https://doi.org/10.1590/S0103-166X2008000400013
Chollet, F. Deep Learning with Python. 2017.
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 [Internet]. 15º de março de 2021 [citado 21º de maio de 2024];12. Disponível em: https://jhi.sbis.org.br/index.php/jhi-sbis/article/view/828
https://www.rsna.org/rsnai/ai-image-challenge/rsna-pediatric-bone-age-challenge-2017.
Koitka S, Demircioglu A, Kim MS, Friedrich CM, Nensa F.Ossification area localization in pediatric hand radiographs using deep neural networks for object detection. 2018. DOI: https://doi.org/10.1371/journal.pone.0207496
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.
