Publicação
Deteção automática de pólipos com uso de técnicas de Deep learning
| Resumo: | O cancro colorretal é uma doença com alta taxa de mortalidade e prevalência global. De acordo com dados da GLOBOCAN 2020, mais de um milhão de casos de câncer gástrico foram detetados, resultando em 768.000 óbitos. O cancro colorretal é frequentemente assintomático nos estados iniciais, o que leva a um diagnóstico tardio, uma vez que os sintomas geralmente só se manifestam em estados mais avançados da doença. Realizar exames regulares, como colonoscopias, é uma forma de combater essa doença, buscando detetá-la precocemente. O uso de Deep Learning tem se mostrado uma ferramenta cada vez mais empregada na detecção de doenças, especialmente na análise de imagens médicas. Em alguns casos, essas técnicas alcançam desempenho comparável ao de especialistas. Com o auxílio dessas ferramentas, é possível criar sistemas de detecção em tempo real para o cancro gástrico, onde as regiões destacadas podem chamar a atenção dos especialistas para áreas suspeitas, minimizando erros humanos e aumentando o número de casos detetados. No entanto, um desafio comum para sistemas de Deep Learning é a escassez de dados, o que pode limitar seu desempenho. Neste trabalho, foram treinados modelos YOLOv5 e YOLOv8, incluindo diferentes submodelos (n, s, m e l), além do modelo YOLOv7. O objetivo passa pelo estudo de métodos de Deep Learning e aplicá-los, de forma comparar o desempenho dessas redes neurais convolutivas na detecção de pólipos. Um conjunto de dados chamado "Piccolo" foi organizado, contendo 4.833 imagens. Dessas, 2.203 imagens foram usadas para treino, 895 para validação e 333 para teste. Não foram feitas modificações nos parâmetros dos modelos, sendo utilizados os pré-treinados no conjunto de dados MSCOCO, que é mais amplo. Os resultados obtidos para o modelo YOLOv5, submodelo "s", foram de 92,2% de precisão, 69% de sensibilidade, 74% de pontuação F1 e 76,8% de mAP. Esses resultados indicam um bom desempenho do modelo na detecção de pólipos, demonstrando a eficácia das redes neurais convolutivas para essa tarefa específica. |
|---|---|
| Autores principais: | Oliveira, Francisco José Fernandes |
| Assunto: | Machine learning deteção de pólipos |
| Ano: | 2023 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade de Trás-os-Montes e Alto Douro |
| Idioma: | português |
| Origem: | Repositório da UTAD |
| Resumo: | O cancro colorretal é uma doença com alta taxa de mortalidade e prevalência global. De acordo com dados da GLOBOCAN 2020, mais de um milhão de casos de câncer gástrico foram detetados, resultando em 768.000 óbitos. O cancro colorretal é frequentemente assintomático nos estados iniciais, o que leva a um diagnóstico tardio, uma vez que os sintomas geralmente só se manifestam em estados mais avançados da doença. Realizar exames regulares, como colonoscopias, é uma forma de combater essa doença, buscando detetá-la precocemente. O uso de Deep Learning tem se mostrado uma ferramenta cada vez mais empregada na detecção de doenças, especialmente na análise de imagens médicas. Em alguns casos, essas técnicas alcançam desempenho comparável ao de especialistas. Com o auxílio dessas ferramentas, é possível criar sistemas de detecção em tempo real para o cancro gástrico, onde as regiões destacadas podem chamar a atenção dos especialistas para áreas suspeitas, minimizando erros humanos e aumentando o número de casos detetados. No entanto, um desafio comum para sistemas de Deep Learning é a escassez de dados, o que pode limitar seu desempenho. Neste trabalho, foram treinados modelos YOLOv5 e YOLOv8, incluindo diferentes submodelos (n, s, m e l), além do modelo YOLOv7. O objetivo passa pelo estudo de métodos de Deep Learning e aplicá-los, de forma comparar o desempenho dessas redes neurais convolutivas na detecção de pólipos. Um conjunto de dados chamado "Piccolo" foi organizado, contendo 4.833 imagens. Dessas, 2.203 imagens foram usadas para treino, 895 para validação e 333 para teste. Não foram feitas modificações nos parâmetros dos modelos, sendo utilizados os pré-treinados no conjunto de dados MSCOCO, que é mais amplo. Os resultados obtidos para o modelo YOLOv5, submodelo "s", foram de 92,2% de precisão, 69% de sensibilidade, 74% de pontuação F1 e 76,8% de mAP. Esses resultados indicam um bom desempenho do modelo na detecção de pólipos, demonstrando a eficácia das redes neurais convolutivas para essa tarefa específica. |
|---|