Jornacitec Botucatu, XIII JORNACITEC - Jornada Científica e Tecnológica

Tamanho da fonte: 
DESENVOLVIMENTO DE UM PROGRAMA COMPUTACIONAL PARA RECONHECIMENTO DE LESÕES DE ESCLEROSE MÚLTIPLA EM IMAGENS DE RESSONÂNCIA MAGNÉTICA
Aime Giovanna Pereira, Iago Mathias Garcia, Renato Luiz Gambarato

Última alteração: 2024-10-14

Resumo


A esclerose Múltipla (EM) é uma doença neurodegenerativa inflamatória imunomediada do Sistema Nervoso Central (SNC), em que o sistema imunológico atinge erroneamente o sistema nervoso central (DOBSON, GIOVANNONI, 2019; PINTO et al, 2020; SHOEIBI et al, 2021). A ressonância magnética pode apoiar no diagnóstico da esclerose múltipla, permitindo um diagnóstico precoce e preciso, e um tratamento precoce, além de ser o principal exame para controle da doença (FILIPPI et al, 2019) Entretanto o diagnostico apenas por ressonância magnética pode ser demorado e desafiador, já que existem algumas outras doenças que mimetizam os sintomas da esclerose múltipla. Com isso novas pesquisas propõem novos métodos para identificar com precisão neste e em outros casos. Atualmente as técnicas de IA (Inteligência Artificial) ganharam força como uma ferramenta importante no diagnóstico de doenças com a ajuda de médicos. As técnicas podem ser dívidas em métodos convencionais de aprendizado de máquina e técnicas de Deep Learning (SHOEIBI et al, 2021). O objetivo do trabalho foi o desenvolvimento de um programa computacional para reconhecimento de lesões de esclerose múltipla em imagens de ressonância magnética. Neste trabalho será utilizado a técnica de aprendizado profundo (deep leaninrg) para classificar imagens de ressonância magnética junto a uma rede neural. Uma rede neural é um tipo de modelo treinado para reconhecer padrões, além disso, foi utilizada uma ferramenta disponibilizada pelo Google, de forma gratuita, com um ambiente virtual que providencia interpretadores de Python 2 e 3, e de fácil configuração para instalação de bibliotecas como TensorFlow, Matplotlib e Keras (Carneiro, et al). No primeiro treinamento o modelo apresentou overfitting. O overfitting acontece quando um modelo apresenta um ótimo desempenho nos dados de treinamento, mas falha em generalizar bem para novos dados. Isso pode ocorrer devido a uma série de fatores, como o desequilíbrio dos dados de treinamento, complexidade exacerbada do modelo, quantidade de imagens utilizadas para criação do modelo, entre outras (XU, PIRANI, JIANG, 2023). Ao final do desenvolvimento do trabalho espera-se ter um programa computacional, que através do aprendizado de máquina, possua a capacidade de identificar lesões correspondentes a esclerose múltipla em imagens de ressonância magnética através de um novo treinamento do modelo para evitar o overfitting.


Texto completo: PDF