REDES NEURAIS APLICADAS NA INVESTIGAÇÃO DE AVC POR TOMOGRAFIA COMPUTADORIZADA
Colloquium Exactarum
REDES NEURAIS APLICADAS NA INVESTIGAÇÃO DE AVC POR TOMOGRAFIA COMPUTADORIZADA
Autor Correspondente: Bruna Kushikawa Silva | [email protected]
Palavras-chave: Acidente Vascular Cerebral, Tomografia Computadorizada, Processamento de Imagens, Redes Neurais
Resumos Cadastrados
Resumo Português:
Este trabalho apresenta uma proposta de algoritmo capaz de identificar automaticamente a ocorrência do acidente vascular encefálico (AVC) usando imagens por tomografia computadorizada (TC). São definidos os métodos de segmentação por similaridade e morfologia matemática, além dos filtros de realce utilizados para modificar o histograma da imagem, que compreende os dados de entrada de uma rede neural Perceptron multicamadas, responsável pela classificação. A utilização deste algoritmo para o auxílio ao diagnóstico médico busca agilizar o processo de detecção da doença, de forma precisa e satisfatória, uma vez que a resposta final dada pelo especialista responsável depende de sua subjetividade. O trabalho mostra o desenvolvimento do algoritmo e a análise de seus resultados, que alcança uma acurácia de 98,51% durante o treinamento de classificação utilizando o filtro de difusão anisotrópica e 91,33% para segmentação utilizando métodos de limiarização. Uma comparação entre outras técnicas de processamento de imagem e inteligência artificial é realizada, procurando obter a melhor resposta dentro de um modelo novo e de baixo custo.
Resumo Inglês:
This work introduce an algorithm proposal able to automatically identify the occurrence of stroke through computed tomography (CT) images. The methods of segmentation by similarity and mathematical morphology are defined, in addition to the enhancement filters used to modify the histogram of the image, which comprises the input data of a Multi-layer Perceptron neural network responsible for classification. The use of this algorithm for medical diagnosis assistance seeks to speed up the process of detection of the disease, accurately and satisfactorily, once the final response given by the responsible specialist depends on his subjectivity. The work comes up with the development of the algorithm and the analysis of its results, which reaches an accuracy of 98,51% during the classification training using the anisotropic diffusion filter and 91,33% for segmentation using thresholding methods. A comparison between other image processing and artificial intelligence techniques is performed, seeking to obtain the bets response within a new and low cost model.
