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.
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.
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).
Schneider, R, Irigaray, T. Envelhecimento na atualidade: aspectos cronológicos, biológicos, psicológicos e sociais. Estudos de psicologia. 2008.
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.
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.
