USO IMAGENS MÉDICAS PARA CRIAÇÃO DE SOLUÇÕES DE APOIO A DECISÃO BASEADAS EM DEEP LEARNING

Resumo

Atualmente a análise de imagens médicas desempenha um papel indispensável tanto na pesquisa científica quanto no diagnóstico clínico. Nos últimos anos houve um aumento do interesse nas pesquisas voltadas para o desenvolvimento de sistemas para o apoio ao diagnóstico médico. As soluções baseadas em aprendizagem profunda (Deep Learning) surgem como uma técnica efetiva para abordar diversas tarefas de imagens médicas. No entanto, o desempenho destas abordagens está fortemente relacionado com a qualidade dos conjuntos de dados (datasets) empregados para o treinamento de modelos aprendizado de máquina. Neste contexto, o objetivo deste projeto é coletar e analisar imagens médicas mais relevantes para criação de conjuntos de dados de treinamento para modelos aprendizagem profunda. Tais modelos, quando adequadamente treinados, superam em muito abordagens tradicionais, em geral, alcançando níveis de precisão elevados, motivando sua aplicação em sistemas de análise de imagens médicas assistida por computador. Este projeto faz uso de imagens obtidas a partir de base de dados públicas, mais especificamente das modalidades de exames de colonoscopia CVC-ClinicDB e mamografia VinDrMammo. Sobre estes datasets exploramos abordagens baseadas em métodos de similaridade de imagens Structural Similariy Index (SSIM) e Normalized Mutual Information (NMI). Além disso, aplicamos os algoritmos de clustering K-Means e HDBSCAN com o objetivo agrupar imagens semelhantes. Obtivemos resultados promissores utilizando os métodos HDBSCAN e K-Means nos dados CVC-ClinicDB. No entanto, para o dataset VinDrMammo estes métodos não geraram clusters adequados.  A partir desta metodologia de seleção será possível guiar a criação de datasets otimizados para aprendizado de máquina.

Palavras-chave: Imagens Médicas; Aprendizado de Máquina; Conjunto de Dados; Similaridade de Imagens; Clustering.