Please use this identifier to cite or link to this item: http://repositoriosenaiba.fieb.org.br/handle/fieb/1808
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorNascimento, Erick Giovani Sperandio-
dc.contributor.authorFurtado, Adhvan Novais-
dc.date.accessioned2023-09-22T23:07:49Z-
dc.date.available2023-09-22T23:07:49Z-
dc.date.issued2022-09-23-
dc.identifier.citationFURTADO, Adhvan Novais. Aprendizagem profunda para o suporte ao diagnóstico da pneumonia causada por Covid-19 em exames de raio x e tomografia computadorizada. Orientador: Erick Giovani Sperandio Nascimento. 2022. 99 f. Tese (Doutorado em Modelagem Computacional e Tecnologia Industrial) – Centro Universitário SENAI CIMATEC, Salvador, 2021.pt_BR
dc.identifier.urihttp://repositoriosenaiba.fieb.org.br/handle/fieb/1808-
dc.description.abstractThe exponential spread of COVID-19 around the world has brought important challenges to public health systems. We learned that in pandemic situations, the high volume of patients overwhelms the care capacity of primary health care services. It became clear that in this COVID-19 pandemic, to control the morbidity and mortality of the disease, it is necessary to quickly identify as many patients as possible with suspected pneumonia. Imaging tests have been successfully used to identify and confirm suspected pneumonia associated with COVID-19. COVID-19 patients usually have abnormal situations on chest images obtained by computed tomography (CT) and X-ray exams. Although the radiological findings are similar to those found in other lung diseases, specialists are able to identify images of ground-glass features and suggest the diagnostic possibility of COVID-19 pneumonia even in its initial phase, especially in pandemic or epidemic situations. In this context, this work presents the use of a deep learning algorithm on the images associated with the diagnosis of COVID-19. Two open source systems were developed, with convolutional neural networks, capable of performing the identification of images suggestive of COVID-19, present in chest´s X-ray and CT scans. For the training of neural networks, data were collected from international public databases as well as data obtained through partnerships with Santa Izabel hospitals in Salvador, Bahia, Hospital das Clínicas, in São Paulo, capital, and Medsenior hospital, in Vitória, Espírito Santo. For the development of the X-ray image classification algorithm, 44,031 exams were used during training and validation. The X-ray model obtained a sensitivity of 0.85, specificity of 0.82 and ROC AUC of 0.93 when tested on a set of 1,158 chest radiographs from a referral hospital. The computed tomography classification algorithm used a base of 3,000 exams and innovatively selected the 16 most representative images per exam for training. The algorithm achieved a sensitivity of 0.89, specificity of 0.90, ROC AUC of 0.97 over a test base of 414 samples. The two algorithms presented themselves as good options for evaluating the chest images of COVID-19 patients, making it possible to separate those with alterations from those with no abnormalities. This is relevant in supporting the targeting of suspected patients in unassisted regions that lacks more efficient diagnostic models. We conclude that the use of intelligent algorithms can help in the identification of abnormal images in X-ray and chest tomography, especially in the absence of a specialist to report the exam, allowing a quick triage of those patients with suspected pneumonia who need immediate attention in the healthcare service.pt_BR
dc.language.isopt_BRpt_BR
dc.publisherCentro Universitário SENAI CIMATECpt_BR
dc.rightsacesso abertopt_BR
dc.rights.uri"Todos os direitos reservados. É permitida a reprodução parcial ou total desta obra, desde que citada a fonte e que não seja para venda ou qualquer fim comercial."pt_BR
dc.subjectCOVID-19pt_BR
dc.subjectAprendizagem profundapt_BR
dc.subjectTC de tóraxpt_BR
dc.subjectRaio-X de pulmãopt_BR
dc.subjectDiagnósticopt_BR
dc.titleAprendizagem profunda para o suporte ao diagnóstico da pneumonia causada por Covid-19 em exames de raio x e tomografia computadorizadapt_BR
dc.title.alternativeDeep learning to support pneumonia diagnosis caused by Covid-19 in x-ray and computed tomography examspt_BR
dc.typeTesept_BR
dc.embargo.termsAbertopt_BR
dc.publisher.countrybrasilpt_BR
dc.publisher.departamentCentro Universitário SENAI CIMATECpt_BR
dc.publisher.programPrograma de Pós-Graduação Stricto Sensupt_BR
dc.publisher.initialsSENAI CIMATECpt_BR
dc.contributor.advisor-coBadaró, Roberto José da Silva-
dc.contributor.refereesSenna, Valter de-
dc.contributor.refereesMachado, Bruna Aparecida Souza-
dc.contributor.refereesSilva, Pedro Mário Cruz e-
dc.contributor.refereesRitt, Luiz Eduardo Fonteles-
dc.description.resumoA disseminação exponencial da COVID-19 no mundo trouxe desafios importantes para os sistemas de saúde pública. Aprendemos que em situações de pandemia, o alto volume de pacientes sobrecarrega a capacidade de atendimento dos serviços de atenção primária à saúde. Ficou claro que nesta pandemia da COVID-19, para controlar a morbimortalidade da doença, é necessário identificar rapidamente o maior número possível de pacientes com suspeita de pneumonia. Exames de imagem têm sido utilizados com sucesso para identificação e confirmação de suspeita de pneumonia associada a COVID-19. Os pacientes diagnosticados com COVID-19 usualmente apresentam situações anormais nas imagens de tórax obtidas por exames de tomografia computadorizada (TC) e de raio-X. Embora os achados radiológicos sejam similares aos encontrados em outras doenças pulmonares, especialistas conseguem identificar padrões de características de vidro fosco e sugerir a possibilidade diagnóstica de COVID-19 pneumonia, mesmo na sua fase inicial, principalmente em situações de epidemias ou pandemias. Neste contexto, este trabalho apresenta a utilização de algoritmos de aprendizagem profunda sobre as imagens associadas ao diagnóstico da COVID-19. Foram desenvolvidos dois sistemas de código aberto, com redes neurais convolucionais, capazes de realizar a identificação de imagens sugestivas da COVID-19 presentes nos exames de raio-X e TC do tórax. Para treinamento das redes neurais foram coletados dados de bases públicas internacionais bem como dados obtidos através de parcerias realizadas com os hospitais Santa Izabel de Salvador, Bahia, hospital das Clínicas, de São Paulo, capital, e hospital Medsenior, de Vitória, Espírito Santo. Para o desenvolvimento do algoritmo de classificação de imagens de raio-X foram usados 44.031 exames durante o treinamento e validação. O modelo obteve uma sensibilidade de 0,85, especificidade de 0,82 e ROC AUC de 0,93 quando testado em um conjunto de 1.158 radiografias do tórax de um hospital de referência. O algoritmo de classificação de tomografias computadorizadas utilizou uma base de 3.000 exames e selecionou de forma inovadora as 16 imagens, por exame, mais representativas para o treinamento. O algoritmo obteve uma sensibilidade de 0,89, especificidade de 0,90, ROC AUC de 0,97 sobre uma base de testes de 414 amostras. Os dois algoritmos se apresentaram como boas opções para avaliação das imagens do tórax de pacientes da COVID-19, possibilitando separar aqueles com alterações sugestivas da doença, o que pode ser relevante no suporte ao direcionamento de pacientes suspeitos em regiões desassistidas de modelos mais eficientes de diagnóstico. Concluímos que a utilização de algoritmos inteligentes pode auxiliar na identificação de imagens anormais no raio X e tomografia de tórax, sobretudo na ausência de um especialista para emitir o lado do exame, permitindo uma triagem rápida daqueles pacientes com suspeita de pneumonia que tem necessidade de atenção imediata no serviço de saúde.pt_BR
Appears in Collections:Teses de Doutorado (PPG MCTI)

Files in This Item:
File Description SizeFormat 
TESE_ADHVAN NOVAIS FURTADO.pdfTCCP / TESE MCTI / SENAI CIMATEC11.17 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.