Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/49839
Arquivos associados a este item:
Arquivo TamanhoFormato 
YuriBarcellosGalli_DISSERT.pdf21,78 MBAdobe PDFVisualizar/Abrir
Título: Aprendizado de máquina como auxílio na detecção de sinais de osteoporose analisando radiografias panorâmicas bucais
Autor(es): Galli, Yuri Barcellos
Orientador(es): Espinoza, Bruno Luiggi Macchiavello
Assunto: Osteoporose
Osteoporose - diagnóstico
Redes neurais convolucionais
Aprendizagem de máquina
Inteligência artificial
Data de publicação: 13-Ago-2024
Referência: GALLI, Yuri Barcellos. Aprendizado de máquina como auxílio na detecção de sinais de osteoporose analisando radiografias panorâmicas bucais. 2023. 72 f., il. Dissertação (Mestrado em Informática) — Universidade de Brasília, Brasília, 2023.
Resumo: A osteoporose é sinônimo de fragilidade óssea, e é uma doença silenciosa que muitas vezes só é detectada após já ter causado danos à pessoa que a possui. Essa doença de fragilidade óssea torna a fratura mais comum e mais danosa aos seus portadores, e por isso é uma questão de saúde pública. Identificar a doença em estágio inicial é essencial para ajudar a evitar seus danos, e nessa tarefa a inteligência artificial e o aprendizado de máquina têm demonstrado grande ajuda nos últimos anos. Os algoritmos de aprendizado de máquina podem prever o risco de osteoporose analisando as imagens do paciente provenientes de exames de rotina, como radiografias panorâmicas, que são exames frequentemente solicitados em Odontologia. A metodologia proposta conta com um processo de dois passos, que é composto por preprocessamento de imagens e aprendizado de máquina. O preprocessamento de imagens consistiu em transformar as imagens panorâmicas dentais originais em regiões de interesse reduzidas, mais específicas para a classificação. A etapa de aprendizado de máquina consistiu em fornecer essas imagens preprocessadas para algoritmos computacionais as classificarem. Este trabalho propõe uma arquitetura de Rede Neural Convolucional (CNN), comparada com Support Vector Machine (SVM) e Random Forest (RF), que visa identificar sinais de osteoporose nesse tipo de imagem, com objetivo de melhorar os resultados de uma técnica de referência, a CNN do artigo [1], ao utilizar a estrutra CNN modificada para realizar uma detecção semi-automática de osteoporose com alta sensibilidade e utilizar o método RF para complementá-la com uma técnica com especificidade alta. Na sensibilidade, a CNN customizada proposta obteve 77,19%, enquanto que a CNN de referência obteve 70,18%. Na especificidade, a Random Forest proposta obteve 75,95%, enquanto que a CNN de referência obteve 22,78%. Combinando esses resultados, conseguimos melhorar o que é obtido pela técnica de referência para o conjunto de dados apresentado, que é bastante desafiador, de pacientes idosos de comunidades carentes, em imagens analógicas com diversos artefatos e características que dificultam a classificação. O presente estudo pode ser um importante passo inicial para desenvolver uma forma de classificação semi-automática da osteoporose em exames de rotina de forma oportunística.
Abstract: Osteoporosis is synonymous with bone fragility, and it is a silent disease that is only commonly detected after it has already caused damage to the person who has it. This disease of bone fragility makes fractures more common and more harmful to patients, and therefore it is a public health issue. Identifying the disease at an early stage is essential to help prevent its damage, and in this task artificial intelligence and machine learning have shown great help in recent years. Machine learning algorithms can predict osteoporosis risk by analyzing patient images from routine exams such as panoramic radiographs, which are exams frequently requested in Odontology. The proposed methodology has a two-step process, which consists of image preprocessing and machine learning. Image preprocessing consisted of transforming the raw original dental panoramic images into reduced, more specific, and clearer regions of interest for classification. The machine learning step consisted of providing these preprocessed images for computational algorithms to classify them. This work proposes a Convolutional Neural Network (CNN) architecture, compared with Support Vector Machine (SVM) and Random Forest (RF), which aims to identify signs of osteoporosis in this type of image, with the aim of improving the results of the reference technique, the CNN from the article [1], using the modified CNN structure to perform a semi-automatic detection of osteoporosis with high sensitivity and using the RF as a complementary method with high specificity. In sensitivity, the proposed customized CNN obtained 77.19%, while the reference CNN obtained 70.18%. In specificity, the proposed Random Forest obtained 75.95%, while the reference CNN obtained 22.78%. Combining these results, we were able to improve what is obtained by the reference technique for the presented data set, which is quite challenging, from elderly patients from poor communities, in analog images with several artifacts and characteristics that make classification difficult. The present study may be an important initial step to develop a form of semi-automatic classification of osteoporosis in routine exams in an opportunistic way.
Unidade Acadêmica: Instituto de Ciências Exatas (IE)
Departamento de Ciência da Computação (IE CIC)
Informações adicionais: Dissertação (Mestrado) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2023.
Programa de pós-graduação: Programa de Pós-Graduação em Informática
Licença: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro completo do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.