luizcast/dcm_tcc

DICOM OBJECT DETECTION YOLO

DICOM_YOLOv7

MBA USP/ESALQ DATA SCIENCE AND ANALYTICS

DICOM TOMOGRAPHY EXAMS OBJECT DETECTION USING DARKNET YOLOv7 ALGORITM

Este projeto foi desenvolvido como trabalho de conclusão de curso do aluno Luiz Castiglioni no curso do MBA - Data Science and ANalytics da USP / ESALQ.

Trabalho desenvolvido em parceria com o departamento de AI da Escola Paulista de Medicina UNIFESP.

Reconhecendo Padrões em imagens de Tomografia de Abdómen no formato DICOM.

Foram selecionados 200 exames de tomografia de abdomen de 200 pacientes diferentes. Desses 200 exames foram geradas anotações pelo grupo de médicos e residentes da UNIFESP sobre a presença do órgão vesícula ou a presença do clipe cirúrgico em casos de pacientes que tiveram a vesícula retirada. Surgiram 4 classes:

• Pacientes com Vesícula Normal
• Pacientes com Vesícula Hipodistendida
• Pacientes sem Vesícula e com Clipe Cirúrgico
• Pacientes sem Vesícula e sem Clipe Cirúrgico

Destas anotações surgiu a tabela annot_clean:

Tabela de Frequencia da Variável annot_clean$'Hipodistendida/Vesícula normal/Clipe/sem clipe (HVSC)`

Foram treinadas 2 labels para identificar a presença da vesícula, e a presença do clipes cirúrgicos colocado em pacientes que passam por cirurgia de retirada de órgãos.

Resultados do Treinamento da Rede Convolucional baseada no algoritmo YOLO

Outputs do modelo

CLIPE

VESICULA

• Todas as imagens foram anonimizadas conforme protoco de pesquisa médica.
• Todas as imagens foram anotadas com o labelImg

o best weight gerado pelo algoritmo esta em master/yolo_dicom_v1.pt