Uso de baropodômetros e inteligência artificial para separação de grau de escoliose
Carregando...
Arquivos
Data
2023-05-18
Autores
Orientador
Sanches, Marcelo Augusto Assunção 
Coorientador
Pós-graduação
Engenharia Elétrica - FEIS
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Tese de doutorado
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
O presente trabalho tem como objetivo principal desenvolver um método de diagnóstico e classificação de escoliose idiopática (EI) para diferentes graus, utilizando dados baropodométricos e Deep Learning. A Escoliose Idiopática é uma deformação tridimensional da coluna vertebral, cuja deformidade é classificada através do grau de curvatura da coluna e considera-se o diagnóstico de escoliose, quando o desvio lateral é maior que 10º. O diagnóstico é concluído após o exame de Raio-X da coluna e análise de um profissional. Como alternativa ao Raio-X, recentes estudos utilizaram dados de pressão plantar, dados estabiliométricos e algoritmos de Inteligência Artificial (AI) para diagnosticar e classificar a EI. Para alcançar o objetivo principal, inicialmente realizou-se a comparação entre dois baropodômetros, o BaroScan, que é um equipamento comercial e o LiebScan. Para o primeiro teste, utilizou-se massas conhecidas. O teste mostrou que os dois equipamentos fornecem as principais variáveis necessárias à avaliação da postura corporal, apesar de existir discrepâncias entre os valores de variáveis e sub-variáveis relacionadas ao deslocamento médio-lateral e anteroposterior. O BaroScan apresentou resultados muito próximos do esperado no teste com massas fixas, ao contrário do LiebScan, que apresentou diferença entre o resultado esperado e o resultado dos testes. Além disso, implementou-se dois modelos utilizando Convolutional Neural Network (CNN). O primeiro modelo classificou os sujeitos entre “com escoliose” e “sem escoliose” (CNN-Escoliose) e segundo modelo classificou o grau de escoliose em duas faixas diferentes (CNN-Grau). O modelo CNN-Escoliose alcançou acurácia de 68,67% e o modelo CNN-Grau obteve acurácia de 87,5%. Pela primeira vez, que se tem conhecimento, pode-se classificar o grau da escoliose e classificar a escoliose utilizando o baropodômetro e técnicas de Deep Learning.
Resumo (inglês)
The present work has as main objective to develop a method of diagnosis and classification of Idiopathic Scoliosis (IE) for different degrees of deformity, using baropodometric and Deep Learning. The idiopathic Scoliosis is a three-dimensional deformation of the spine, whose deformity is classified by the degree of curvature and is considered the diagnosis of scoliosis when the lateral deviation is bigger than 10º. Your diagnosis is completed after X-ray exam and analysis by professional. As an alternative to X-ray, recent studies have used plantar pressure data, stabilometric data and Artificial Intelligence (AI) algorithms to diagnose and classify IE. To achieve the main goal, initially, a comparison was made between two baropodometers, the BaroScan, which is a commercial equipment and the LiebScan. For the first trial, known masses were used. The trial showed, that the two devices provide the main variables necessary for the evaluation of body posture, despite the existence of discrepancies between the values of variables and sub-variables related to Middle-Lateral and Anteroposterior displacement. O BaroScan tem resultados muito semelhantes ao esperado no teste com massas fixas, ao contrário do LiebScan. In addition, two models were implemented with CNN, one for classification (diagnosis) of scoliosis (CNN-Scoliosis) and another for classification of the degree of scoliosis (CNN-Grade) in two different ranges. The first resulted in an accuracy of 68.67% and the second an accuracy of 87.5%. For the first time, to our knowledge, we can classify the degree of scoliosis and classify scoliosis using Deep Learning techniques.
Descrição
Palavras-chave
Idioma
Português