Passo a passo de como realizar um teste
Para realizar um previsão através de uma imagem pessoal é necessário simplesmente fazer o upload da imagem desejada. A resposta da previsão de diagnóstico é dado tão logo esteja disponível.
Pode descarregar uma das nossas imagens de teste:
Notas de responsabilidade.
Ressalta-se que não há como garantir 100% de eficácia em nenhum processo preditivo. Por este motivo, é extremamente importante que qualquer diagnóstico médico seja feito por profissionais especializados da área de saúde. O objetivo deste projeto é, como o de qualquer outro software, apenas auxiliar a tomada de decisão por parte dos especialistas.
Análise de imagens
Introdução
Na análise de imagens a equipe optou-se por desenvolver uma ferramenta para detecção de pacientes com COVID-19 por meio de imagens de raio-x. Na primeira fase do projeto o sistema identifica se o paciente apresenta quadro característico de pneumonia, para que em uma etapa posterior seja avaliada a correlação com o COVID-19. A segunda fase deverá ter início a partir da coleta de um maior número de imagens de raio X com características específicas de COVID-19.
Em particular, escolheu-se utilizar imagens de raio-X, tendo em vista sua ampla disponibilidade nos centros de saúde e baixo custo em relação à demais tecnologias existentes. Desta forma, objetiva-se criar uma ferramenta de diagnóstico de casos de pneumonia para o amplo uso por especialistas da área da saúde de maneira simples, fácil e rápida.
Processo de elaboração do modelo
O procedimento de elaboração dos detectores se inicia com a pesquisa de bancos de dados robustos, que possuam imagens de
Diante desse desbalanceamento, a primeira tarefa consistiu na organização das imagens com o fim de obter o equilíbrio entre as classes. Em seguida, estipulou-se uma dimensão fixa das imagens para que qualquer uma seja inserida na rede (Este tamanho fixo estipulado não implica em uma incompatibilidade de envio de imagens. A aplicação aceita qualquer tamanho de imagem).
Por fim, e considerada a etapa que requer mais testes, é a definição da topologia da rede. Uma rede neural é composta por diversas camadas em que cada uma tem uma função específica na extração de informação da imagem. Geralmente, para problemas complexos necessita-se de topologias mais extensas e igualmente complexas, condizente com o caso abordado.
A etapa de treinamento equivale a um processo repetitivo de teste da rede. Uma imagem da base de dados é inserida na rede e o resultado é confrontado com o valor real. A medida que a rede falha, a correção e atualização de seus parâmetros internos são realizados para melhorar a sua eficácia preditiva.
Desta forma, ao fim desse processo de treinamento, a rede neural escolhida servirá como um modelo de previsão.
Nas figuras abaixo, apresentam-se as curvas de desempenho da rede durante as etapas de treinamento e teste, respectivamente. Observa-se que a rede atinge uma boa acurácia de predição.
Curvas de acurácia do modelo ao longo da fase de treinamento. A curva em azul é do treinamento com a parte do banco de dados e, a curva em laranja representa a validação com a outra parte do conjunto de imagens.
Curvas da função de perda do modelo ao longo da fase de treinamento. A curva em azul é do treinamento com a parte do banco de dados e, a curva em laranja representa a validação com a outra parte do conjunto de imagens.
Curva Característica de Operação do Receptor, ROC em inglês. Representando o desempenho do modelo no diagnóstico de pneumonia.
Dataset utilizado (Quantidade Total de imagens para treinamento)
Chest X-Ray Images
RSNA Pneumonia Detection Challenge
Quantitativos de imagens de cada uma das classes: ‘1’ para pessoas com pneumonia e ‘0’ para pessoas sem pneumonia. À esquerda o banco de dados cru sem balanceamento e, a direita o quantitativo de imagens balanceado.
A seguir estão exibidas alguns exemplos de imagens que compõem o banco de dados para o treinamento da rede neural.
A seguir estão exibidas alguns exemplos de imagens que compõem o banco de dados para o treinamento da rede neural.