Tailane de França Vieira, aluna do curso de Análise e Desenvolvimento de Sistemas do Campus Corrente, apresentou, no dia 19 de dezembro, seu trabalho de conclusão de curso (TCC), uma ferramenta Identificação do Sars-Cov-2 e pneumonia viral a partir de imagens de raio-x de pulmões com Tensorflow, Keras e Deep Learning.

“Atualmente, embora estejamos vivendo em um mundo onde a tecnologia esteja cada vez mais presente e o diagnóstico por imagem tenha se expandido, muitos exames se tornam muito caros, trabalhosos e demorados quando administrados. Com doenças como o SARS-CoV-2 e Pneumonia Viral, a velocidade do diagnóstico pode significar salvar vidas. Busca-se melhorar o diagnóstico por imagem por meio da tecnologia Deep Learning, facilitando a classificação e agindo de forma assertiva sobre a leitura de imagens”, falou Tailane.

No trabalho, foi abordado como treinar um modelo de aprendizado profundo utilizando o TensorFlow e Keras para prever o SARS-COV-2 e Pneumonia Viral no conjunto de dados de imagens de raio-x de pacientes, fazendo estudo da linguagem para o desenvolvimento da aplicação, estudando e aplicando tecnologias relacionadas à inteligência artificial,  aplicação do Deep Learning, onde a partir da base de dados foram utilizados algoritmos na criação e treinamento do modelo para assim ser possível a exploração da relação entre os dados, identificação de padrões e previsões para novos dados, utilizando-se da arquitetura de rede neural convolucional em suas diferentes arquiteturas para avaliação, aplicadas na classificação das imagens de raio-x.

Para o treinamento do modelo, foram utilizadas  imagens  de radiografia de tórax de pacientes com covid-19, pneumonia viral e de pacientes saudáveis, obtidas em um conjunto de dados disponível no Kaggle onde 70% delas foram utilizadas para o treino e as outras 30% para o teste. Todas as classes foram testadas com 300 imagens e o modelo treinado com a arquitetura da VGG19 como base, foi o que obteve o melhor desempenho na identificação e classificação das imagens.

As classes do primeiro conjunto de imagens: Covid e Normal. O modelo acertou 299 imagens para pulmões infectados com SARS-CoV-2 e 296 imagens para pulmões sem doença, obtendo 99.17% de acurácia. As classes do segundo conjunto de imagens: Covid , Normal e Pneumonia. O modelo acertou 291 imagens para pulmões infectados com SARS-CoV-2, 279 imagens para pulmões sem doença e 274 imagens para pulmões infectados com Pneumonia Viral, obtendo 93.78% de acurácia.

“Como trabalho futuro, opções viáveis podem ser estudadas e aplicadas, como o desenvolvimento de um sistema web ou mobile para realização de testes tendo como base o modelo treinado para que a partir do upload de uma imagem de raio-x de pulmão de um paciente o modelo gere um possível pré-diagnóstico, bem como novos testes em modelos utilizando da biblioteca scikit-learn para se trabalhar com classificação, mineração e análise de dados em aprendizado de máquina, já que a mesma apresenta uma grande diversidade em relação a algoritmos integrados”, explicou a formanda.

Tailane foi mais uma a concluir o curso tecnólogo em Análise e Desenvolvimento de Sistemas do Campus Corrente, e contou com a orientação dos professores Felipe Gonçalves dos Santos para desenvolvimento do trabalho.