Aplicação de método ensemble para classificação de imagens médicas cardíacas
DOI:
https://doi.org/10.59681/2175-4411.v17.2025.1207Palavras-chave:
Aprendizado de Máquina, Cardiomiopatias, Ressonância Magnética CardíacaResumo
Segundo a Organização Mundial da Saúde as doenças cardíacas são responsáveis por cerca de 17 milhões de mortes globalmente. Em resposta a esse cenário, as pessoas têm procurado com frequência acompanhamento médico a fim de evitar um diagnóstico tardio. Esse processo promoveu um aumento na demanda por exames de ressonância magnética cardíaca e a identificação de cardiomiopatias nesse volume de exames representa um grande desafio para as equipes médicas. Embora sistemas inteligentes sejam capazes de identificar doenças cardíacas nos exames mencionados acima, poucas abordagens consideram diferentes slices do órgão e as especificidades do ciclo cardíaco em sua análise. Este trabalho apresenta uma metodologia baseada em aprendizado de máquina supervisionado para abordar esse problema. Durante os experimentos foi registrada uma acurácia de 80,00% e precisão de 82,26% no melhor caso de teste, que utiliza estruturas do epicárdio e endocárdio, durante o ciclo diastólico.
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. DOI: https://doi.org/10.1016/j.jacr.2017.12.019
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. DOI: https://doi.org/10.1109/ICAIS50930.2021.9395963
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. DOI: https://doi.org/10.1109/ACCESS.2021.3053759
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. DOI: https://doi.org/10.1016/j.jneumeth.2013.11.016
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). DOI: https://doi.org/10.1109/STSIVA.2019.8730231
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. DOI: https://doi.org/10.1007/978-3-030-59710-8_13
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 DOI: https://doi.org/10.1016/B978-0-12-815370-3.00008-6
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). DOI: https://doi.org/10.14569/IJACSA.2016.071004
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). DOI: https://doi.org/10.1038/s41467-019-11012-3
Qayyum A, Anwar SM, Awais M, Majid M. Medical image retrieval using deep convolutional neural network. Neurocomputing. 2017 Nov;266:8–20. DOI: https://doi.org/10.1016/j.neucom.2017.05.025
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. DOI: https://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. DOI: https://doi.org/10.1016/j.jestch.2016.10.001
Publicado
Como Citar
Edição
Secção
Licença
Direitos de Autor (c) 2025 Guilherme Ormond Sampaio, Leon Ferreira Bellini, Leila Cristina Carneiro Bergamasco
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0.
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 (Declaração de Exclusividade). 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 de um Termo de Transferência de Direitos de Publicação. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito de Publicação.
