Classificação Baseada em Aprendizado Profundo e Segmentação Semântica de Lesões de Tuberculose Pulmonar em Imagens de Radiografia de Tórax

Apresentamos uma abordagem baseada em rede de aprendizado profundo (DL) para detectar e segmentar semanticamente dois tipos específicos de lesões de tuberculose (TB) em imagens de radiografia de tórax (CXR). No método proposto, usamos um modelo básico U-Net e suas versões aprimoradas para detectar, classificar e segmentar lesões de TB em imagens de CXR. As arquiteturas do modelo utilizadas neste estudo são U-Net, Attention U-Net, U-Net++, Attention U-Net++ e pyramid spatial pooling (PSP) Attention U-Net++, que são otimizadas e comparadas com base nos resultados dos testes de cada modelo para encontrar os melhores parâmetros. Finalmente, usamos quatro abordagens de conjunto que combinam os cinco melhores modelos para melhorar ainda mais os resultados de classificação e segmentação de lesões. Na fase de treinamento, usamos métodos de aumento de dados e pré-processamento para aumentar o número e a força das características das lesões nas imagens de CXR, respectivamente. Nosso conjunto de dados consiste em 110 imagens de treinamento, 14 de validação e 98 de teste. Os resultados experimentais mostram que o modelo de conjunto proposto alcança uma média máxima de interseção sobre união (MIoU) de 0,70, uma taxa média de precisão de 0,88, uma taxa média de revocação de 0,75, uma média de F1-score de 0,81 e uma acurácia de 1,0, que são todos melhores do que os obtidos apenas com um modelo de rede única. O método proposto pode ser utilizado por clínicos como uma ferramenta diagnóstica auxiliar na exploração de lesões de TB em imagens de CXR.