IDENTIFICAÇÃO DE IMAGENS DE RAIO-X COM REDES NEURAIS CONVOLUCIONAIS PARA DETECÇÃO DE PNEUMONIA CAUSADA POR COVID-19
Resumo
No início de 2020, o mundo foi atingido por uma pandemia de COVID-19 (Sars-Cov-2), que, segundo Our World in Data, até o momento infectou 672 milhões de pessoas e causou 6,85 milhões de mortes. Um dos métodos comumente utilizados para diagnóstico de COVID-19 é o RT-PCR que possui desvantagens como alto custo e lentidão no resultado. Como alternativa, tornam-se viáveis os algoritmos, baseados em aprendizado de máquina, de rápida classificação da presença ou não de COVID-19 em imagens de raio-x pulmonares em pacientes com pneumonia. Neste trabalho, diferentes modelos de rede neural convolucional foram propostos a fim de se obter alto desempenho no conjunto de teste com 1909 imagens de raio-x contendo ou não COVID-19 em casos de pneumonia. Em vista dos resultados obtidos, dois modelos atingiram precisão de aproximadamente 94% na fase de teste, para estes foi desenvolvida uma interface usuário-máquina para classificação de imagens de raio-x pulmonares com o intuito de auxiliar o profissional da saúde na realização do diagnóstico. Tal interface possibilita alterar o limiar de ativação do último neurônio da rede para que o especialista possua maior controle do sistema proposto.

Todos os trabalhos publicados na REGRASP estão licenciados sob a Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).
Isso significa que:
-
Qualquer pessoa pode copiar, distribuir, exibir, adaptar, remixar e até utilizar comercialmente os conteúdos publicados na revista;
-
Desde que sejam atribuídos os devidos créditos aos autores e à REGRASP como fonte original;
-
Não é exigida permissão adicional para reutilização, desde que respeitados os termos da licença.
Esta política está em conformidade com os princípios do acesso aberto, promovendo a ampla disseminação do conhecimento científico.