Avaliando Técnicas de Aprendizado Profundo para Detecção de Esquistossomose Mansoni em Imagens de Exames Parasitológicos

Abstract

Resumo A Esquistossomose Mansonié uma das Doenças Tropicais Negligenciadas com maior alcance epidêmico no mundo e uma das diretrizes da OMSé o diagnóstico prévio e célere para o mapeamento dos focos e aplicação do devido tratamento das pessoas infectadas. O processo atual para o diagnóstico ainda depende de uma análise em exames parasitológicos realizados por um ser humano em um microscópio em laboratório. Aárea de Reconhecimento de Padrões em imagens se apresenta como uma alternativa promissora como apoio e automatização de exames baseados em imagens, e técnicas de Aprendizado Profundo têm sido aplicadas com sucesso para este propósito. Com o intuito de automatizar este processo,é proposto neste trabalho a aplicação de métodos de aprendizado profundo para detecção de ovos de Esquistossomose, eé realizada uma comparação entre duas técnicas de aprendizado profundo, as Redes Neurais Convolucionais (CNN) e as Redes Neurais Piramidais Estruturadas (SPNN). Os resultados obtidos em uma base de dados reais indicam que as ténicas são eficazes no reconhecimento dos ovos da Esquistossomose, em que ambas obtiveram AUC (area under the curve) acima de 0,90, com a CNN mostrando superioridade neste aspecto. Entretanto, a SPNN mostrou ser mais rápida do que a CNN.

Assessing Deep Learning Techniques for the Recognition of Tropical Disease in Images from Parasitological Exams

“…The SPNN [ 12 ] is inspired by the pyramidal neural network (PyraNet) [ 13 ], which in turn was bioinspired by the concepts of receptive fields of human vision. The Pyrenees have two sets of layers: a 2D layer set and a 1D layer set.…”