Detecção de anomalias em imagens de raio-x com aprendizagem não supervisionada

Abstract

O uso de técnicas de inteligência artificial é importante para aplicações no campo da medicina, auxiliando o processo de diagnóstico médico de diversos pacientes. No que diz respeito a imagens médicas, o diagnóstico a partir de radiografías requer o conhecimento técnico de profissionais especializados sobre a área, que são treinados durante anos até obter o nível de expertise necessário para avaliar imagens de raios-x. Além disso, as imagens por si só as vezes não são suficientes para que o profissional de saúde encontre um diagnóstico definitivo, fazendo com que informações adicionais sejam levantadas, como o histórico do paciente e familiar. Todas essas caractéristicas encarecem o processo de obtenção de rótulos para uma base de dados extensa, o que dificulta a aplicação de uma abordagem supervisionada para classificar imagens. Este trabalho aplica técnicas de aprendizagem de máquina utilizando a abordagem não supervisionada para classificar imagens de raios-x, em que diferentes métodos são treinados em imagens que não apresentam anomalias e que podem auxiliar médicos a avaliar imagens de raios-x. Diferentes experimentos foram produzidos e comparados a fim de verificar qual técnica não supervisionada é a mais satisfatória. Ao fim do experimento foi possível criar uma arquitetura genérica para classificar imagens de raios-x como sendo anomalas ou não, com os resultados da ROC-AUC em 0.547 com D Discrimator probability e 0.533 com MSE Mean Squared Error.