| dc.description.abstract |
As doenças pulmonares representam um desafio crescente para os sistemas de saúde,
cenário agravado pela pandemia de COVID-19, que sobrecarregou os recursos
hospitalares e comprometeu o diagnóstico de outras patologias, como a tuberculose,
cujos óbitos no Brasil cresceram 85,71% entre 2018 e 2023. Embora a radiografia de
tórax seja o exame de imagem mais acessível para a triagem dessas doenças, sua
interpretação depende da disponibilidade de profissionais especializados e está sujeita a
erros. Nesse contexto, este trabalho teve como objetivo desenvolver um sistema de apoio
ao diagnóstico de patologias pulmonares em radiografias torácicas, baseado em um
pipeline de aprendizado profundo composto por três módulos: segmentação pulmonar
com a arquitetura CMUNeXt, classificação binária (normal ou patológico) e
classificação multiclasse (normal, pneumonia, COVID-19 e tuberculose), ambas por
meio de ensembles de cinco redes neurais convolucionais (modelo híbrido ResNet152 +
EfficientNet-B5, ResNet50, DenseNet121, VGG16 e EfficientNet-B0), avaliados em
duas arquiteturas de integração: paralela e em cascata. Para o treinamento, foi composta
uma base de dados a partir de conjuntos públicos, disponibilizada em repositório aberto,
e foram aplicadas técnicas de data augmentation, fine-tuning em duas fases e Test Time
Augmentation, cujas contribuições foram quantificadas por análise ablativa. O módulo
de segmentação atingiu IoU de 95,16% e coeficiente Dice de 97,52%. Na classificação,
o ensemble multiclasse sem segmentação alcançou acurácia de 99,43% e F1-score de
99,40% na base interna, e o pipeline em cascata obteve F1-score de 94,20% em uma
base externa não vista durante o treinamento, evidenciando boa capacidade de
generalização. Observou-se, ainda, que as configurações sem segmentação superaram
consistentemente aquelas com segmentação. Assim, concluiu-se que a combinação de
arquiteturas heterogêneas por ensemble learning mitigou os erros individuais dos
modelos e produziu predições mais robustas, demonstrando o potencial do sistema
proposto como ferramenta de apoio ao diagnóstico de doenças pulmonares. |
pt_BR |
