Inteligência artificial para auxílio no diagnóstico de infecções fúngicas e neoplasias pulmonares em radiografias torácicas

Abstract

A radiografia simples do tórax representa na maioria das situações o primeiro exame radiológico na avaliação das doenças torácicas e pulmonares. Grande parte das doenças broncopulmonares se apresentam na radiografia como opacidades, como é o caso da tuberculose, infecções fúngicas, doenças intersticiais pulmonares, câncer de pulmão e as pneumonias virais. Técnicas de aprendizado de máquina vêm sendo aplicadas para auxiliar na detecção de alterações nos exames de imagem, mas a falta de exames de radiografia anotados de pacientes com infecção fúngica em bases de dados torna difícil a sua classificação. O objetivo desta pesquisa é testar e aprimorar Redes Neurais Convolucionais para auxílio ao diagnóstico de pacientes com infecções fúngicas e neoplasia, utilizando uma base de dados anotada de exames de radiografia fornecidos pelo Hospital das Clínicas de Ribeirão Preto. Para tal, foram testados diferentes técnicas de processamento de imagem e Ensemble com o intuito de maximizar a acurácia e evitar o overfitting do modelo, concluindo com o desenvolvimento de uma interface que simule uma ferramenta de auxílio computadorizado ao diagnóstico.

Chest X-ray is, in most cases, the first radiological exam used to evaluate thoracic and pulmonary diseases. A large number of bronchopulmonary diseases present in chest X-rays as opacities, such as tuberculosis, fungal infections, interstitial lung diseases, lung cancer, and viral pneumonias. Machine learning techniques have been applied to aid in the detection of abnormalities in imaging exams, but the lack of annotated Chest X-ray exams from patients with fungal infections in available databases makes classification challenging. The objective of this research is to test and improve Convolutional Neural Networks to assist in the diagnosis of patients with fungal infections and neoplasia, using an annotated Chest X-ray dataset provided by the Hospital das Clínicas of Ribeirão Preto. For this purpose, different image processing techniques and Ensemble methods were tested to maximize accuracy and prevent model overfitting, concluding with the development of an interface simulating a computer-aided diagnosis tool.