No abstract

In late 2019, a new type of coronavirus emerged in China and was named SARS-CoV-2. It first impacted the country where it emerged and then spread around the world. SARS-CoV-2 is the cause of COVID-19 disease that leaves characteristic impressions on chest CT images of infected patients. In this article, we propose a classification model, based on CNN and wavelet transform, to classify images of COVID-19 patients. It was named WCNN-COVID. The model was applied and tested in open and private TC image repositories. A total of 25534 images of 200 patients were processed. The confusion matrix was generated by calculating Accuracy (ACC), Sensitivity (Sen) and Specificity (Sp). The Receiver Operating Characteristic (ROC) curve and Area Under the Curve (AUCs) were also plotted and used for evaluation. Metric results were ACC = 0.9950, Sen = 99.16% and Sp = 99.89%.

SARS-CoV-2 is the causative agent of COVID-19 and leaves characteristic impressions on chest Computed Tomography (CT) images in infected patients and this analysis is performed by radiologists through visual reading of lung images, and failures may occur. In this article, we propose a classification model, called Wavelet Convolutional Neural Network (WCNN) that aims to improve the differentiation of images of patients with COVID-19 from images of patients with other lung infections. The WCNN model was based on a Convolutional Neural Network (CNN) and wavelet transform. The model proposes a new input layer added to the neural network, which was called Wave layer. The hyperparameters values were defined by ablation tests. WCNN was applied to chest CT images to images from two internal and one external repositories. For all repositories, the average results of Accuracy (ACC), Sensitivity (Sen) and Specificity (Sp) were calculated. Subsequently, the average results of the repositories were consolidated, and the final values were ACC = 0.9819, Sen = 0.9783 and Sp = 0.98. The WCNN model uses a new Wave input layer, which standardizes the network input, without using data augmentation, resizing and segmentation techniques, maintaining the integrity of the tomographic image analysis. Thus, applications developed based on WCNN have the potential to assist radiologists with a second opinion in the analysis.1

A engenharia tecidual é um campo interdisciplinar voltado para desenvolvimento de estruturas biológicas que restaurem, mantenham ou melhorem funções teciduais. Dentre os componentes necessários para isso, há os arcabouços tridimensionais, estruturas criadas para suporte inicial das células e consequente formação de um tecido. Para avaliação do desempenho do arcabouço, é importante analisar características microestruturais como a porosidade, a interconectividade e o tamanho dos poros. Algumas técnicas como a microscopia eletrônica de varredura (MEV), picnometria e porosimetria de mercúrio, já vem sendo usadas para caracterizar os arcabouços. Todavia, alguns estudos mostraram a microtomografia computadorizada como padrão ouro para extrair informações detalhadas sem danificar a amostra em estudo. A Microtomografia Computadorizada de Raios X (microCT) é uma técnica não invasiva e apresenta uma alta resolução, contribuindo para análise e visualização tridimensional interna de vários tipos de amostras. Devido a essas vantagens, diversos pesquisadores vem estudando a microCT como técnica para caracterização de arcabouços para engenharia tecidual, visando obter informações mais apuradas a respeito da porosidade dessas estruturas, que irão influenciar diversos fatores como o desempenho biológico e as propriedades mecânicas das mesmas. O objetivo do trabalho consiste em apresentar a microCT como ferramenta de caracterização de arcabouços para engenharia tecidual e compará-la com outras técnicas utilizadas atualmente. Verificou-se que a microCT vem sendo utilizada na área para análises qualitativas e quantitativas, principalmente por conseguir visualizar poros cegos e área da seção transversal, sem utilizar elementos tóxicos ou sem destruir a amostra. Existem algumas desvantagens, que seriam pouca capacidade de absorção de raios-x em amostras de baixa densidade radiográfica. No entanto, apesar do crescente interesse em utilizar essa técnica, é possível perceber que muitos pesquisadores não a dominam por não ter relatórios com detalhes importantes sobre vários parâmetros da microestrutura e da utilização correta da microCT. Concluiu-se que a caracterização de arcabouços por microtomografia computadorizada é uma área que ainda está em desenvolvimento e com acesso limitado, porém vem ganhando destaque e tende a se tornar mais procurada e usada entre os pesquisadores para aplicação na engenharia tecidual.