SISTEMA COMPUTACIONAL PARA DETECÇÃO DE BACILOS EM IMAGENS MICROSCÓPICAS

Autoria: Patrick Ryan Sales dos Santos (Org.); Patrick Ryan Sales dos Santos; Antonio Oseas de Carvalho Filho

ISBN: 978-65-5337-257-3

DOI: 10.46898/rfb.mpond2fd4v39

Resumo

A tuberculose é uma enfermidade bacteriana decorrente da infecção ocasionada pelo bacilo de Koch, que afeta primariamente os pulmões, ocasionando complicações significativas ao organismo, sendo considerada a segunda principal causa de morte em decorrência de infecções em escala global, logo abaixo da pandemia de COVID-19. A tuberculose é tratável, mas um diagnóstico precoce é crucial para o sucesso do tratamento. Tradicionalmente, a baciloscopia de escarro tem sido o principal método para o diagnóstico da tuberculose. As amostras de escarro são fixadas em lâminas, e esse processo é realizado por um bacteriologista, podendo ser demorado e exaustivo, tendo em vista a necessidade de analisar 100 campos da amostra. Neste trabalho, é proposta uma abordagem baseada na arquitetura de aprendizado profundo EfficientDet, sem utilização de pesos pré-treinados, explorando seus backbones na tarefa de identificação dos bacilos. As imagens de baciloscopia de escarro foram adquiridas a partir de um conjunto de dados público disponibilizado pelo AI Research and Automated Laboratory Diagnostics, consistindo em um total de 928 imagens, todas com resolução de 1224 × 1623 pixels. Foram examinadas quatro representações de cores: RGB, LUV, XYZ e Gray. Em cada experimento, realizou-se uma pesquisa de hiperparâmetros utilizando o método Grid Search, a fim de identificar o otimizador e a resolução de imagem de entrada da rede mais apropriados. Os otimizadores avaliados incluíram Adadelta, Adam, AdamW, Adamax, ASGD, NAdam, RAdam, RMSprop, Rprop e SGD, enquanto as dimensões investigadas foram 224, 299 e 512 pixels. A configuração que alcançou o melhor desempenho incluiu o backbone B3, o esquema de cores LUV, o otimizador RMSprop e dimensão de entrada da rede de 512 × 512 pixels.

Palavras-chave: Detecção de bacilos, EfficientDet, EfficientNet, Imagens de baciloscopia, Mycobacterium tuberculosis, Tuberculose