[pt] APLICAÇÃO DE VISÃO COMPUTACIONAL NA IDENTIFICAÇÃO DE TUBOS EM RADIOGRAFIAS DE TÓRAX

[en] COMPUTER VISION APPLICATION IN IDENTIFYING TUBE PLACEMENT IN CHEST X-RAYS

[pt] ALEXANDRE RODRIGUES BOMFIM JUNIOR

[pt] APRENDIZADO PROFUNDO

[pt] RADIOGRAFIA DE TORAX

[pt] SEGMENTACAO SEMANTICA

[pt] RADIOGRAFIA

[en] DEEP LEARNING

[en] CHEST X-RAY

[en] PIXEL-WISE SEMANTIC SEGMENTATION

[en] RADIOGRAPHY

[pt] Este trabalho investiga o uso de técnicas de Deep Learning para segmentação semântica de cateteres venosos centrais (CVC) em radiografias de tórax. O objetivo é auxiliar na identificação desses dispositivos para determinação de seu posicionamento, reduzindo complicações associadas a procedimentos invasivos. Inicialmente, abordamos desafios como o pequeno tamanho relativo dos dispositivos CVC nas imagens e o desbalanceamento dos dados. Para isso, utilizamos diferentes backbones, como Resnets e E!cientNets, além de realizar ajustes no redimensionamento das imagens. Para melhorar a robustez e a capacidade de generalização dos modelos, aplicamos técnicas de data augmentation. Implementamos um ensemble de modelos, combinando os resultados de várias arquiteturas individuais, o que se mostrou eficaz ao superar os modelos isolados em diversas métricas de desempenho. Um script adicional foi desenvolvido para identificar a presença do CVC nas predições do ensemble, analisando a contagem de pixels ativos e a detecção de contornos. Os resultados finais demonstraram que a abordagem de ensemble aprimora a precisão e a confiabilidade na detecção de CVCs. Futuras pesquisas devem focar na exploração da classificação do posicionamento do dispositivo, como uma etapa subsequente, visando melhorar mais a aplicabilidade clínica dessas técnicas.

[en] This paper investigates the use of Deep Learning techniques for semanticsegmentation of central venous catheters (CVC) in chest X-rays. The goal isto assist in identifying these devices to determine their positioning, thereby reducing complications associated with invasive procedures. Initially, we addresschallenges such as the small relative size of the CVC devices in the imagesand data imbalance. For this, we utilize di!erent backbones, such as Resnetsand E"cientNets, in addition to making adjustments in image resizing. Toimprove the robustness and generalization capacity of the models, we applydata augmentation techniques. We implemented an ensemble of models, combining the results of various individual architectures, which proved e!ectiveby surpassing isolated models in various performance metrics. An additionalscript was developed to identify the presence of the CVC in the ensemble’spredictions by analyzing the count of active pixels and contour detection. Thefinal results demonstrated that the ensemble approach enhances the accuracyand reliability of CVC detection. Future research should focus on exploringthe classification of device positioning as a subsequent step, aiming to furtherimprove the clinical applicability of these techniques.

ALBERTO BARBOSA RAPOSO

CESAR AUGUSTO SIERRA FRANCO

2024-09-04

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=67828@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=67828@2

https://doi.org/10.17771/PUCRio.acad.67828