Deep learning aplicado para a detecção de hemorragias e tumores cerebrais
DOI:
https://doi.org/10.5380/atoz.v10i3.81284Palavras-chave:
Deep Learning, Redes convolucionais, Aplicações práticas, Bioinformática, Tumores cerebraisResumo
Introdução: Um dos problemas que afeta a saúde no Chile refere-se às patologias cerebrais, à realização de exames e à longa espera pela obtenção dos resultados (atrasos no diagnóstico e tratamento). Atualmente, os exames são enviados ao exterior para serem processados e o tempo de espera jog contra o paciente. Dada a realidade, nosso documento propõe um modelo de deep learning para predição de imagens cerebrais que permite obter um diagnóstico prévio, mas não definitivo, em virtude de diminuir o tempo do processo e, se necessário, priorizar pacientes cuja vida estaria potencialmente em risco. Métodos: O desenvolvimento usou uma abordagem RAD iterativa e as imagens foram coletadas do Kaggle. Além disso, o conjunto de dados é redimensionado para normalizar o tamanho e geramos novas imagens usando “data augmentation”. As imagens foram processadas em redes convolucionais, investigando diferentes configurações da rede, seu otimizador e a função de ativação, até chegarmos a um modelo que consideramos razoável. Resultados: Com o modelo definitivo os resultados ultrapassam 80% de acertos nas previsões e descobrimos que separar patologias (hemorragias e tumores) foi fundamental para este resultado. Conclusões: alcançamos uma ferramenta de diagnóstico prévio, mas a pesquisa deve ser continuada em virtude do aumento da precisão. Uma próxima etapa é expandir o conjunto de dados com imagens de outras fontes e separar o modelo para analisar patologias de forma independente. Encorajamos mais investigação, uma vez que este tipo de apoio pode ajudar a salvar vidas.
Referências
Aggarwal, C. (2018). Neural Networks and Deep Learning a Textbook. Yorktown Heights, USA; Springer International Publishing AG.
Ari, A. & Hanbay, D. (2018). Deep learning based brain tumor classification and detection system. Turkish journal of Electrical Engineering & Computer Sciences. 26. 2275-2286. doi: http://dx.doi.org/10.3906/elk-1801-8.
Chollet, F. (2017). Deep Learning with Python. Shelter Island, New York, USA; Manning Publications.
Gholamalinejad, H. & Khosravi, H. (2020). Pooling Methods in Deep Neural Networks, a Review. Computing Research Repository (CoRR). Recuperado de https://arxiv.org/abs/2009.07485.
Glorot, X., Bordes, A. & Bengio, Y. (2010). Deep Sparse Rectifier Neural Networks. Journal of Machine Learning Research. 15. Recuperado de https://proceedings.mlr.press/v15/glorot11a/glorot11a.pdf
Hassan, M. (2018). VGG16 – Convolutional Network for Classification and Detection. Recuperado de https://neurohive.io/en/popular-networks/vgg16/
Knoll, F. et al. (2020). Deep-Learning Methods for Parallel Magnetic Resonance Imaging Reconstruction: A Survey of the Current Approaches, Trends, and Issues. IEEE Signal Processing Magazine, 37(1), 128-140. doi: https://doi.org/10.1109/MSP.2019.2950640
Lecun, Y. (1989). Generalization and network design strategies. Zurich, Switzerland: Elsevier.
McCulloch, W.S. & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics. 5, 115–133. doi: https://doi.org/10.1007/BF02478259
O'Shea, K., & Nash, R. (2015). An Introduction to Convolutional Neural Networks. Computing Research Repository (CoRR). Recuperado de https://arxiv.org/abs/1511.08458
S. J. Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering. 22(10), 1345-1359. doi: https://doi.org/10.1109/TKDE.2009.191
Petersen, P. et al. (2020). Topological properties of the set of functions generated by neural networks of fixed size. Computing Research Repository (CoRR). Recuperado de https://arxiv.org/abs/1806.08459
Petersen, P., & Voigtländer, F. (2017). Optimal approximation of piecewise smooth functions using deep ReLU neural networks. Neural networks: the official journal of the International Neural Network Society. doi: http://dx.doi.org/10.1016/j.neunet.2018.08.019
Sarkar, D. & Bali, R. (2018). Hands-On Transfer Learning with Python. Shelter Island, New York, USA; Manning Publications.
Schmidhuber, J. (2014). Deep Learning in Neural Networks: An Overview. Computing Research Repository (CoRR). Recuperado de https://arxiv.org/abs/1404.7828
Simonyan, K. & Zisserman, A. (2015). Very Deep Convolutional Networks for large-scale image recognition. Computing Research Repository (CoRR). Recuperado de https://arxiv.org/abs/1409.1556
Sorias O. et al. (2009). Handbook of Research On Machine Learning Applications and Trends: Algorithms, Methods and Techniques. Hershey, PA, USA; Information Science Reference - Imprint of: IGI Publishing.
Zhantao, C. et al. (2017). Breast Tumor Detection in Ultrasound Images Using Deep Learning. Lecture Notes in Computer Science, 10530. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-67434-6_14
Downloads
Publicado
Como Citar
Edição
Seção
Licença
A revista AtoZ é um periódico científico de acesso aberto e o copyright dos artigos e da entrevista pertence aos respectivos autores/entrevistados com cessão de direitos para a AtoZ no que diz respeito à inclusão do material publicado (revisado por pares/postprint) em sistemas/ferramentas de indexação, agregadores ou curadores de conteúdo.
Todo o conteúdo da Revista (incluindo-se instruções, política editorial e modelos) está sob uma licença Creative Commons Atribuição 4.0 Não Adaptada, a partir de Outubro de 2020.
Ao serem publicados por esta Revista, os artigos são de livre uso para compartilhar (copiar e redistribuir o material em qualquer suporte ou formato para qualquer fim, mesmo que comercial) e adaptar (remixar, transformar, e criar a partir do material para qualquer fim, mesmo que comercial). É preciso dar o crédito apropriado , prover um link para a licença e indicar se mudanças foram feitas .
A AtoZ não cobra qualquer tipo de taxa para submissão e/ou processamento e/ou publicação de artigos.
