Uma abordagem de aprendizagem profunda baseada em internet das coisas para segmentação de imagens médicas em exames de tomografia computadorizada

Abstract

A classificação e segmentação de patologias através de sistemas inteligentes é um desafio significativo para a análise de imagens médicas em sistemas de visão computacional. Doenças como problemas pulmonares e acidentes vasculares cerebrais têm um efeito sério na saúde humana em todo o mundo. As doenças pulmonares estão entre as principais causas de morte ao redor do mundo ficando atrás dos acidentes vasculares cerebrais (AVC), que em 2016 se tornaram a segunda principal causa de morte por doenças. A tomografia computadorizada (TC) é um dos principais exames de diagnóstico clínico vinculado aos sistemas de Diagnóstico Auxiliado por Computador (CAD) que estão se tornando soluções para tecnologias de saúde. Neste trabalho, propomos um método baseado na Internet das Coisas (IoT) para a classificação e segmentação do pulmão e AVC hemorrágico em imagens de tomografia. O sistema denominado HTSCS - Medical Images: Health-of-Things System for the Classification and Segmentation of Medical Images usa transferência de aprendizagem entre modelos baseados em aprendizagem profunda (Detectron2)combinadoscommétodosclássicosparaajustefino.Ométodopropostoobteve resultados promissores para a classificação de presença ou ausência de AVC hemorrágico e regiões pulmonares em imagens, com valores próximos a 100% de acurácia. Os modelos também alcançaram desempenhos excelentes na tarefa de segmentação, com acurácia acima de 99% e coeficiente de Dice acima de 97% nos melhores casos com um tempo médio de segmentação entre 0,095 e 1,7 segundos. Para validar essa abordagem comparamos os melhores modelos para a segmentação do pulmão e AVC hemorrágico em tomografias com trabalhos relacionados encontrados no estado da arte. Esse método traz uma abordagem inovadora para classificação e segmentação por meio do uso de IoT para diferentes tipos de imagens médicas com resultados promissores para análise de imagens médicas