Banca de DEFESA: Yuri Barcellos Galli

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : Yuri Barcellos Galli
DATA : 09/02/2023
HORA: 19:00
LOCAL: Virtual Teams
TÍTULO:

Aprendizado de Máquina como auxílio na detecção de sinais de osteoporose analisando radiografias panorâmicas bucais

PALAVRAS-CHAVES:

Palavras-chave: osteoporose, redes neurais convolucionais, cnn, aprendizado de máquina,
inteligência artificial, random forest, svm

PÁGINAS: 67
RESUMO:

A osteoporose é sinônimo de fragilidade óssea, e é uma doença silenciosa que só é detectada
comumente após já ter causado danos à pessoa que a possui. Essa doença de fragilidade
óssea torna a fratura mais comum e mais danosa aos seus portadores, e por isso é uma
questão de saúde pública. Identificar a doença em estágio inicial é essencial para ajudar a
evitar seus danos, e nessa tarefa a inteligência artificial e o aprendizado de máquina têm
demonstrado grande ajuda nos últimos anos. Os algoritmos de aprendizado de máquina
podem prever o risco de osteoporose analisando as imagens do paciente provenientes de
exames de rotina, como radiografias panorâmicas.
A metodologia proposta conta com um processo de dois passos, que é composto por
preprocessamento de imagens e aprendizado de máquina. O preprocessamento de imagens
consistiu em transformar as imagens panorâmicas bucais originais brutas em regiões de
interesse reduzidas, mais específicas e mais claras para a classificação. A etapa de apren-
dizado de máquina consistiu em fornecer essas imagens preprocessadas para algoritmos
computacionais as classificarem. Este trabalho propõe uma arquitetura de Rede Neural
Convolucional (CNN), comparada com Support Vector Machine (SVM) e Random Forest
(RF), que visa identificar sinais de osteoporose nesse tipo de imagem, com objetivo de
melhorar os resultados de técnica de referência, a CNN do artigo [1], ao utilizar a es-
trutra CNN modificada para realizar uma detecção automática de osteoporose com alta
sensibilidade e utilizar o método RF para um sistema com especificidade alta.
Na sensibilidade, a CNN customizada proposta obteve 77,19%, enquanto que a CNN de
referência obteve 70,18%. Na especificidade, a Random Forest proposta obteve 75,95%,
enquanto que a CNN de referência obteve 22,78%. Combinando esses resultados, con-
seguimos melhorar o que é obtido pela técnica de referência para o conjunto de dados
apresentado, que é bastante desafiador, de pacientes idosos de comunidades carentes, em
imagens analógicas com diversos artefatos e características que dificultam a classificação.

MEMBROS DA BANCA:
Externo à Instituição - FÁBIO WILDSON GURGEL COSTA - UFC
Presidente - 1702065 - BRUNO LUIGGI MACCHIAVELLO ESPINOZA
Interno - 2366026 - FLAVIO DE BARROS VIDAL
Externo ao Programa - 3364449 - PEDRO DE AZEVEDO BERGER