Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/44320
Type: | Tese |
Title: | Sistema de diagnóstico da esquistossomose a partir de imagens microscópicas preparadas com a técnica Kato-Katz |
Authors: | Bruno Alberto Soares Oliveira |
First Advisor: | Frederico Gadelha Guimarães |
First Referee: | Antônio de Pádua Braga |
Second Referee: | Pedro Pedrosa Rebouças Filho |
Third Referee: | João Paulo Papa |
metadata.dc.contributor.referee4: | Deborah Aparecida Negrão-Corrêa |
metadata.dc.contributor.referee5: | Antonio Luiz Pinho Ribeiro |
Abstract: | Uma importante preocupação da área de saúde pública é causada pelos parasitos intestinais humanos, que são encontrados em grande parte nos países tropicais. O diagnóstico dessas doenças parasitárias se dá por meio de sintomas fisiológicos e exame fecal. Frequentemente, poucos profissionais estão disponíveis e aptos a realizarem esse tipo de exame, que é considerado lento, difícil, propenso a erros e pode causar fadiga ocular no especialista. Técnicas de inteligência artificial têm sido aplicadas com sucesso para problemas dessa natureza. Portanto, o objetivo desse trabalho é desenvolver uma solução baseada em aprendizado profundo e aprendizado de máquina para encontrar ovos de parasitos intestinais da espécie Schistosoma mansoni, sendo um sistema de auxílio a tomada de decisão no diagnóstico em exame de fezes cujas lâminas são preparadas por meio da técnica parasitológica Kato-Katz. Foi construída uma base de dados real com 1100 imagens que foram anotadas por três diferentes especialistas humanos no diagnóstico da esquistossomose. Técnicas de aumento de dados online e offline foram utilizadas para se obter um maior número de amostras e melhorar a generalização da ferramenta. Como resultado, a solução proposta atingiu um valor de AP de 0.884 para um oU=0.50. Os resultados e a empregabilidade do sistema são promissores, podendo vir a ser utilizado no SUS para auxiliar o profissional da saúde no diagnóstico da esquistossomose. |
Abstract: | A major public health concern is caused by human intestinal parasites, which are found largely in tropical countries. The diagnosis of these parasitic diseases is made through physiological symptoms and fecal examination. Often, few professionals are available and able to perform this type of examination, which is considered slow, difficult, error-prone, and can cause eye fatigue in the specialist. Artificial intelligence techniques have been successfully applied to problems of this nature. Therefore, the objective of this work is to develop a solution based on deep learning and machine learning to find intestinal parasite eggs of the species S. mansoni, being a system to aid decision-making in the diagnosis of fecal examination whose slides were prepared using the Kato-Katz parasitological technique. A real database was built with 1100 images that were annotated by three different human specialists in the diagnosis of schistosomiasis. Data augmentation techniques online and offline were used to obtain a larger number of samples and improve the generalizability of the tool. As a result, the proposed solution achieved an AP value of 0.884 for an @[IoU=0.50]. The results and employability of the system are promising, and it could be used in the SUS to assist health professionals in diagnosing schistosomiasis. |
Subject: | Engenharia elétrica Aprendizado do computador Aprendizado profundo Diagnóstico Esquistossomose Imagem médica |
language: | por |
metadata.dc.publisher.country: | Brasil |
Publisher: | Universidade Federal de Minas Gerais |
Publisher Initials: | UFMG |
metadata.dc.publisher.department: | ENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICA |
metadata.dc.publisher.program: | Programa de Pós-Graduação em Engenharia Elétrica |
Rights: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/44320 |
Issue Date: | 24-Mar-2022 |
Appears in Collections: | Teses de Doutorado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
tese_bruno (1).pdf | Tese de doutorado - Bruno Alberto Soares Oliveira | 12.33 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.