Esse trabalho foi elaborado para a Processamento e Análise de Imagens
A osteoartrite (artrose
) é uma doença que se caracteriza pelo desgaste da cartilagem articular e por
alterações ósseas nas articulações. O raio X é o principal exame para diagnóstico da doença que é
classificada pela escala de Kellgren & Lawrence (KL
) , de acordo com o seu grau de severidade. O
diagnóstico de artrose é confirmado para KL > 1
.
O conjunto de imagens a ser usado está disponível em https://data.mendeley.com/datasets/56rmx5bjcr/1
O ambiente deve ser totalmente gráfico e deverá oferecer as seguintes opções acessadas por menus:
-
Ler e visualizar imagens nos formatos PNG e JPG. As imagens podem ter qualquer resolução e número de tons de cinza (normalmente variando entre 8 e 16 bits por pixel);
-
Recortar uma sub-região de tamanho arbitrário com o mouse e salvá-la como arquivo.
-
Buscar, em uma imagem qualquer, uma região previamente recortada ou lida de arquivo. Indicar com um retângulo a posição onde foi detectada. Uma técnica que pode ser usada para isso é a correlação cruzada:
onde A
e B
são a imagem e região buscada, com respectivos valores de intensidade
médios (m
) e desvios-padrões (s
). O valor máximo de CCN
indicará a posição mais
provável de ocorrência de B
em A
.
-
Sistema de cache
-
Ler os diretórios onde estarão as imagens usadas para treino, validação e teste dos classificadores utilizados.
-
Realizar aumento de dados através de espelhamento horizontal e equalização de histogramas.
-
Especificar e treinar pelo menos 2 classificadores, exibindo-se o tempo de execução na interface:
-
Classificador raso, exceto rede neural, utilizando características extraídas da imagem (projeções, textura, histogramas, descritores de forma, etc.) SVM ()
-
Rede neural convolucional sorteada para o grupo. Utilize os pesos disponíveis no modelo, retreinando a parte completamente conectada com o dataset de raio X GOOGLENET
-
Classificar o conjunto de teste em 2 opções: classificação binária (normal x artrose) e com as 5 classes KL. O tempo de execução deve ser medido e exibido na interface, juntamente com a matriz de confusão e as métricas de sensibilidade, especificidade, precisão, acurácia e escore F1.
- PONTOS EXTRAS: Classificador XGBoost1 (Se o grupo tiver usado o XGBoost como classificador raso deverá implementar um outro raso.)
Pingjun Chen, Linlin Gao, Xiaoshuang Shi, Kyle Allen, Lin Yang. “Fully automatic knee osteoarthritis severity grading using deep neural networks with a novel ordinal loss”. Computerized Medical Imaging and Graphics 75:84-92, 2019.