文件列表:

Descri__o do Processo de Treino .ipynb (874034, 2020-05-18)
modelo.h5 (9791520, 2020-05-18)

# Deep Learning na analise de imagens de radiografias para auxilio na decisao clinica do COVID-19 Parte 2 do desafio "IA E CIENCIA DE DADOS PARA APOIO A DECISAO CLINICA" da Hackathon 'Hackcovid19' do Centro Brasileiro de Pesquisas Fisicas, tentamos demonstrar a possibilidade de usar um modelo de Deep Neural para gerar diagnosticos em radiografias de pulmao, dado o cenario onde se torna impossivel usar teste rapidos ou teste laboratoriais em todos os pacientes, o uso de radiografias para diagnosticar Covid ou qualquer outra enfermidade se torna uma opcao viavel. Parte 1 do projeto: https://github.com/Gremling-Machine-Learning-Study-Group/Estimativa-de-mortes-por-COVID-19-subnotificadas-no-Brasil---D051---HACKCOVID-19/blob/master/README.md Pagina do projeto no Devpost: https://devpost.com/software/test_deep_covid-19#updates Pitch para a Hackathon (Apenas video): https://www.youtube.com/watch?v=8ujmJz6i4YI A implementacao de algoritmos de suporte a decisao clinica para imagens medicas enfrenta desafios com confiabilidade e interpretabilidade, estabelecemos aqui uma ferramenta de diagnostico com base em uma estrutura de aprendizado profundo para a triagem de pacientes com doencas trataveis como comuns, utilizando aprendizado de maquina profundo, treinamos uma rede neural com uma fracao dos dados das abordagens convencionais. Demonstramos ainda a aplicabilidade geral do nosso sistema de IA para o diagnostico de pneumonia usando imagens de raios-X do torax. Essa ferramenta pode, em ultima analise, ajudar a acelerar o diagnostico e o encaminhamento dessas condicoes trataveis, facilitando assim o tratamento anterior, resultando em melhores resultados clinicos. ## ETAPA 1: Discussao e Contextualizacao: A inteligencia artificial (IA) tem o potencial de revolucionar o diagnostico e o gerenciamento de doencas, realizando classificacoes dificeis para especialistas humanos e revisando rapidamente imensas imagens. Apesar de seu potencial, a interpretabilidade clinica e a preparacao viavel da IA continuam sendo um desafio. A abordagem algoritmica tradicional da analise de imagens para classificacao anteriormente se baseava em: (1) segmentacao de objetos artesanais, seguida por; (2) identificacao de cada objeto segmentado usando classificadores estatisticos ou classificadores de aprendizado de maquina computacionais neurais superficiais projetados especificamente para cada classe de objetos; (3) classificacao da imagem. A criacao e o refinamento de varios classificadores exigiram muitas pessoas qualificadas e muito tempo e eram computacionalmente caros. O desenvolvimento de camadas de redes neurais convolucionais permitiu ganhos significativos na capacidade de classificar imagens e detectar objetos em uma imagem Sao varias camadas de processamento nas quais os filtros ou convolucoes de analise de imagem sao aplicados. ## ETAPA 2: Dados e Modelo. O dados foram obtidos do site Kaggle, o teste foi feito para dois datasets, um se tratando de pessoas com pneumonia e o outro de pessoas com COVID-19 e ambos os teste foi feita uma comparacao binaria onde tratamos de ensinar o modelo a diferenciar um pulmao saudavel de um pulmao doente (pneumonia ou Covid). ### Dataset Na maioria das vezes o nosso maior trabalho e na montagem do dataset, visto que esse ja se encontravam prontos e com uma certa confiabilidade, o projeto se tornou mais simples. ### Modelo Nosso modelo de Deep Neural se concentra em uma aplicacao rapida mais robusta, onde temos uma grande confiabilidade mas ainda carecemos de mais dados para treinar o mesmo, portanto acreditamos que com o que temos ja podemos concluir algo sobre e ainda dizer que podemos sim usar o mesmo para avaliar radiografias. ### Codigo Nosso codigo esta descrito no notebook python anexo neste repositorio. Note que a titulo de comparacao podemos dizer que a melhoria do mesmo esta condicionada a uma melhora no dados para treino e maior tempo de treinamento. ## ETAPA 3: Metodologia A metodologia deste projeto e bem basica, como todo projeto de Deep Learning necessitamos de um dataset robusto e que valise nosso modelo, portanto o primeiro passo foi esse encontra datasets que atendessem minimamente a isso, apos encontra-los foi montado um workflow para descrever o processos: analise dos dados, pre-processamento,construcao da rede, treino, teste e validacao e como passo final uma avaliacao grafica dos modelos acerca de sua acuracia. **Resultados:** - No nosso primeiro teste com o dataset 1 tivemos uma acuracia de teste 91%. - No segundo onde o volume de dados era menor 71%. *Maiores informacoes vide notebook, la se encontrar um analise grafica detalhando os processos de perda e acuracia.* **Nota** *: devido a limites computacionais da minha maquina nao consegui rodar o modelo por mais tempo.* ## ETAPA 3: Conclusao Portanto podemos concluir que e sim uma aplicacao viavel e que futuramente pode ser amplamente empregada em analises preliminares e triagem de paciente com Covid. Com a aumento na coleta de dados podemos treinar modelos melhores e diagnosticar usando tecnica ate mais simples por metodos de avaliacao de imagens. ## Referencias: * **"Imagens de radiografia de torax (Pneumonia)"** https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia; (Visualizado em: 17/05/2020) (Daqui foi obtido o *dataset* 'Chest X-Ray Images (Pneumonia)'). * **"COVID-19 RADIOGRAPHY DATABASE"** https://www.kaggle.com/tawsifurrahman/covid19-radiography-database; (Visualizado em: 17/05/2020) (Daqui foi obtido o *dataset* 'COVID-19 Radiography Database'). * **"Detecting COVID-19 induced Pneumonia from Chest X-rays with Transfer Learning: An implementation in Tensorflow and Keras."** https://towardsdatascience.com/detecting-covid-19-induced-pneumonia-from-chest-x-rays-with-transfer-learning-an-implementation-311484e6afc1; (Visualizado em: 17/05/2020) (Inspiraco para construcao deste modelo. GitHub do autor https://github.com/EXJUSTICE/).

近期下载者：

相关文件：

评论：[我要评论] [举报此文件]

收藏者：