As imagens sintéticas criadas a partir de transformações em imagens reais (originais) analisadas classificaram os pacientes entre saudável, com pneumonia e com Covid-19, alcançando a precisão de até 100% de acertos na etapa de teste. A pesquisa usou a análise de acurácia de 16 combinações de transformações (zoom, rotação, intensidade do brilho e espelhamento horizontal) aplicadas na geração de novas imagens artificiais através de técnicas de Data Augmentation - um dos desafios da área é o treinamento de modelos de Redes Neurais Convolucionais com base de dados com poucas amostras.
“Os resultados foram promissores e mostram que o treinamento com imagens sintéticas (Data Augmentation) pode proporcionar boas taxas de classificação, caso as combinações de transformações (hiperparâmetros de Data Augmentation) nas imagens sejam adequadamente selecionadas”, explica o pesquisador e professor da UFRB, André Luiz Carvalho Ottoni, um dos autores do estudo.
A pesquisa foi publicada em forma de artigo científico, “Análise da seleção de hiperparâmetros de Data Augmentation na detecção de Covid-19 em imagens de raio X com Deep Learning”, no XV Congresso Brasileiro de Inteligência Computacional, pelos pesquisadores Pedro Rici, Samara Oliveira Silva Santos e André Ottoni, do Centro de Ciências Exatas e Tecnológicas (CETEC), em Cruz das Almas.
A pesquisa apresenta uma metodologia criteriosa e experimental para a definição de hiperparâmetros de Data Augmentation na classificação de imagens de raio X para detecção de Covid-19 com Deep Learning. O aluno de Engenharia Elétrica, Pedro Rici, destaca que através da metodologia apresentada e dos resultados obtidos, a pesquisa pode servir de base para outros pesquisadores da área para entender como a técnica do Data Augmentation influência em suas arquiteturas de Redes Neurais Convolucionais e assim economizar esforços e tempo em outras pesquisas envolvendo a classificação de imagens de raio X de pulmão para detecção de Covid-19.
Como exemplo, na sessão temática - ST02: Inteligência Computacional aplicada ao combate da COVID-19 - na qual o artigo foi apresentado, “estudos de relevantes universidades nacionais também foram discutidos, como da Universidade Federal do Rio de Janeiro e da Universidade Federal do Rio Grande do Norte (UFRJ e UFRN)”, afirma Ottoni, que destaca a importância do estudo para reforçar o papel da UFRB na busca por soluções inteligentes no combate à pandemia.
Importância da pesquisa
Para o estudante e pesquisador Pedro Rici, diante do cenário vivido atualmente, com tamanho desafios e mudanças, “devemos procurar sempre utilizar dos nossos conhecimentos e forças para contribuir de alguma forma”. “Com a Pandemia do Covid-19 esse sentimento se intensificou e essa ânsia por tentar de alguma forma melhorar o mundo que vivemos se transformou nessa pesquisa. Dessa forma, vejo esse artigo como um primeiro passo para maiores transformações na minha vida e na sociedade" destaca Rici.
O professor André Ottoni afirma que a pandemia de Covid-19 representa um triste momento na vida de todos nós. Por outro lado, a sociedade e a comunidade acadêmica foram desafiadas para encontrar soluções que pudessem melhorar esse cenário. Uma dessas áreas de estudo concentra-se na aplicação de Inteligência Artificial na análise de dados da pandemia.
"A literatura recente (2020 e 2021) tem mostrado excelentes trabalhos na área de aplicação de Deep Learning para detecção de Covid-19. Nesse aspecto, nossa pesquisa contribui com essa área, focando na geração de imagens com Data Augmentation. Espera-se que o presente estudo possa motivar outros pesquisadores a também investigar os efeitos da geração de imagens artificiais em bases de dados com poucas imagens de raio X de Covid-19. Dessa forma, na tentativa de se obter melhores resultados de acurácia na classificação. "
O artigo está publicado na página da Sociedade Brasileira de Inteligência Computacional: sbic.org.br/eventos/cbic_2021/cbic2021-22/.
