Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/1843/72118
Tipo: | Dissertação |
Título: | Automatic pain assessment in fetuses through transfer learning |
Autor(es): | Thiago Melo de Oliveira |
Primeiro Orientador: | Nivio Ziviani |
Primeiro Coorientador: | Adriano Alonso Veloso |
Primeiro membro da banca : | Flávio Vinícius Diniz de Figueiredo |
Segundo membro da banca: | Daniel Ciampi Araujo de Andrade |
Resumo: | Prolonged exposure to pain circumstances can have many side-effects on the life of a fetus and cause negative developmental consequences. Thus, pain assessment and management is made necessary to identify these scenarios early on. Even though numerous pain scales exist to help assess pain in neonates, until recently, no such method existed for detecting pain in fetuses. Based on these scales, some research has been developed to automatically assess pain through the means of analyzing images with computational help. Still, no such work had been developed for fetuses as well. In this scenario, we propose the use of deep convolutional neural networks to construct a learning model capable of automatically detecting the presence of pain in fetuses. We do so through the evaluation of their facial expressions in images collected from 4-D ultrasound machines. By taking advantage of transfer learning, we used a network pre-trained on the task of face recognition, and confirmed that transferring from a similar task performed better than if made from a general-purpose dataset. We have evaluated our model on images extracted from 13 video recordings of fetuses undergoing painful and non-painful stimulus and achieved an accuracy of 84.8% on the task of discriminating images of pain from those in a non-painful control group. Our results demonstrate the effectiveness of applying such methods with fetal images, and above all, show that it is possible to develop a model for automatically detecting pain in fetuses. |
Abstract: | A exposição prolongada a circunstâncias de dor pode ter muitos efeitos colaterais na vida de um feto e causar consequências negativas no seu desenvolvimento. Assim, a avaliação e gestão da dor torna-se necessária para identificar esses cenários precocemente. Embora existam numerosas escalas de dor para auxiliar na avaliação da dor em recém-nascidos, até recentemente, não existia um método para detectar dor em fetos. Com base nessas escalas, algumas pesquisas foram desenvolvidas para avaliar automaticamente a dor por meio da análise de imagens com ajuda computacional. Ainda assim, nenhum trabalho desse tipo havia sido desenvolvido especificamente para fetos. Nesse cenário, propomos o uso de redes neurais convolucionais profundas para construir um modelo de aprendizado capaz de detectar automaticamente a presença de dor em fetos. Fazemos isso por meio da avaliação de suas expressões faciais em imagens coletadas de máquinas de ultrassom 4-D. Utilizando técnicas de transferência de aprendizado, partimos de uma rede pré-treinada na tarefa de reconhecimento facial e confirmamos que a transferência de aprendizado de uma tarefa semelhante obteve um desempenho melhor do que se fosse feita a partir de um conjunto de dados de propósito geral. Avaliamos nosso modelo em imagens extraídas de 13 gravações de vídeo de fetos submetidos a estímulos dolorosos e não dolorosos e alcançamos uma precisão de 84,8% na tarefa de discriminar imagens de dor daquelas em um grupo de controle não doloroso. Nossos resultados demonstram a eficácia da aplicação de tais métodos com imagens fetais e, acima de tudo, mostram que é possível desenvolver um modelo para detectar automaticamente dor em fetos. |
Assunto: | Computação – Teses Aprendizado profundo – Teses Redes neurais convolucionais – Teses Feto – Dor – Diagnóstico – Teses |
Idioma: | eng |
País: | Brasil |
Editor: | Universidade Federal de Minas Gerais |
Sigla da Instituição: | UFMG |
Departamento: | ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO |
Curso: | Programa de Pós-Graduação em Ciência da Computação |
Tipo de Acesso: | Acesso Aberto |
metadata.dc.rights.uri: | http://creativecommons.org/licenses/by-nc-nd/3.0/pt/ |
URI: | http://hdl.handle.net/1843/72118 |
Data do documento: | 31-Mar-2020 |
Aparece nas coleções: | Dissertações de Mestrado |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Dissertação Final - Thiago Melo de Oliveira (1).pdf | 7.47 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons