Classificação de Blocos de Imagens de Padrões Radiológicos Pulmonares com Resampling SMOTE

Abstract

Diffuse Pulmonary Diseases can affect the lung parenchyma, causing respiratory deficiencies and even cause almost complete loss of function, requiring a more accurate evaluation for a concrete diagnosis. Using computational techniques, the purpose of this work is to use feature descriptors (LBP, CLBP, gray-level histogram and GLCM) for classification of lung patterns, assisting radiologists in the diagnosis of these diseases. Using a patch-based approach, SMOTE resampling and the SVM classifier, accuracy of 87.41% and sensitivity of 88.31% were achieved.Resumo. Doenças Pulmonares Difusas podem afetar o parênquima pulmonar, causando deficiências respiratórias até a quase completa perda de função, sendo necessária uma avaliação mais precisa para um diagnóstico concreto. Utilizando-se de técnicas computacionais, a proposta deste trabalho é utilizar descritores de características (LBP, CLBP, histograma de níveis de cinza e GLCM) para a classificação de padrões pulmonares, auxiliando radiologistas no diagnóstico dessas doenças. Utilizando uma abordagem baseada em blocos, resampling SMOTE e o classificador SVM, uma taxa de acerto de 87,41% e sensibilidade de 88,31% foram alcançadas.