Ferramenta de Leitura

Diogo Rezende
Universidade Presbiteriana Mackenzie Faculdade de Computação e Informática
Brasil

Fraturas do úmero proximal representam um desafio diagnóstico, cuja avaliação depende de exames de imagem como a radiografia. Buscando otimizar essa análise, este projeto de iniciação científica propõe o desenvolvimento de um sistema de diagnóstico auxiliado por computador (CAD) para a classificação de imagens de raio-x corporais. O objetivo principal foi construir a primeira etapa de um modelo capaz de identificar a parte do corpo em uma radiografia, utilizando para isso uma abordagem de aprendizado profundo. A metodologia envolveu a utilização de uma base de dados pública da plataforma Hugging Face, contendo imagens de mão, ombro e perna. Foi aplicado o pré-processamento para padronizar as imagens em 640x640 pixels. O modelo de rede neural convolucional YOLOv8, em suas variantes nano (n) e medium (m), foi treinado e avaliado com diferentes hiperparâmetros. Os resultados indicaram um desempenho modesto, com a melhor configuração (YOLOv8n) atingindo uma acurácia de 59,34%. Embora os valores não tenham alcançado a expectativa inicial, possivelmente devido à qualidade e desbalanceamento dos dados, o estudo demonstrou o potencial do YOLOv8 para aplicações médicas. As limitações e os resultados obtidos servem como base para trabalhos futuros, que podem focar na curadoria de dados e na exploração de outras arquiteturas.