Extração de características em imagens médicas: análise de desempenho de CNNs e modelos de machine learning

Abstract

A extração de características e classificação de imagens médicas é um campo de grande relevância tanto para a comunidade acadêmica quanto para o setor de saúde. Diferente mente de técnicas tradicionais de análise de imagens, como transformadas de Fourier ou Gabor, o uso de Redes Neurais Convolucionais (CNNs) tem se destacado por sua eficiên cia na detecção de padrões complexos, como bordas, texturas e formas. Este trabalho explora a aplicação de CNNs para a extração de características e classificação de imagens de raios-X, focando na identificação de anomalias, como pneumonia e outras patologias pulmonares. Foram utilizadas diferentes arquiteturas de CNNs, como ResNet50, VGG19, InceptionV3 e EfficientNetV2, cada uma com particularidades em termos de profundidade e desempenho na extração de características. Para o processo de classificação, este estudo utilizou algoritmos de Machine Learning clássicos, como Support Vector Machine (SVM), modelos de Gradiente Boosting e árvores. O objetivo central foi comparar o desempenho dessas arquiteturas e classificadores na tarefa de detectar anomalias em imagens médicas. O processo abrange o pré-processamento das imagens, seguido da extração de caracterís ticas da imagem usando CNNs, e por fim a avaliação dos modelos com métricas como acurácia, F1-Score, sensibilidade e especificidade. Como parte dos resultados, foi obser vada uma alta precisão na identificação de padrões relevantes quando o uso de CNNs é feito em conjunto com algoritmos de classificação como SVM.