O combate contra a pandemia causada pela COVID-19 é atualmente um dos maiores desafios enfrentados pela humanidade. Um fator chave que tende a desacelerar a disseminação do vírus é o diagnóstico rápido e o isolamento dos pacientes infectados. Pesquisadores em todo mundo vêm buscando formas alternativas ao exame PCR-RT para o diagnóstico da doença, e o aprendizado profundo aplicado às radiografias de tórax de pacientes suspeitos tem mostrado resultados favoráveis. A falta de dados de qualidade e o elevado número de modelos enviesados tornam as soluções propostas um problema. Dessa forma, o presente trabalho apresenta um sistema de diagnóstico automático de COVID-19 por meio de imagens de raio-x, com o objetivo de auxiliar a tomada de decisão do médico. Foi feito um amplo estudo para a seleção de conjuntos de imagens de qualidade de forma que a solução não ficasse enviesada. Para a aplicação, primeiro os pulmões são segmentados pelo método U-Net para que, em seguida, a imagem seja classificada por um conjunto de modelos treinados para uma classificação binária. Por fim, os resultados são explicados de forma a auxiliar o médico em sua tomada de decisão. Os resultados obtidos com uma taxa de assertividade em 92% mostram que a solução proposta é promissora. Estes resultados indicam que a capacidade do modelo em avaliar os pacientes infectados por COVID-19 pode ser usada no gerenciamento de recursos referentes ao atendimento em hospitais e postos de saúde, bem como auxiliar gestores públicos na tomada de decisões relativas à restrição de atividades para promover o isolamento social.
O presente artigo relata uma experiência sobre a condução de uma aula envolvendo a prática de conceitos básicos da Semiótica e Engenharia Semiótica em uma disciplina de Interação Humano-Computador (IHC) de um curso de Bacharelado em Ciência da Computação. Mais especificamente relatamos de forma sucinta a sequência didática da aula, integrando IHC, Desenho e Música, e os principais resultados alcançados.
Bone suppression in radiography is a suitable technique to evaluate the health of soft tissues in exams. For instance, these techniques are essential in evaluating chest radiography images during the COVID-19 outbreak. The purpose of this work is to propose an alternative to solve the bone suppression task in chest radiography images using Generative Adversarial Networks (GANs). Specifically, we used a conditional GAN type (cGAN) to provide a bone-suppressed version of the initial image. To quantify the results, it was necessary to review the main metrics and some state-of-the-art papers related to ours. We compared our result to works from the literature that used the same dataset as the proposal or related techniques. The most used dataset was the Japanese Society of Radiological Technology (JSRT) in these works. With this set of images, we reached a PSNR index of 34.96, which was better than that reviewed in the literature, and a similarity coefficient, known as SSIM, of 0.94. As for the loss calculated by MS-SSIM, we obtained the lowest compared to the reviewed works.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.