Sistema de visão computacional para detecção de fenótipo da lipodistrofia generalizada congênita : uma ferramenta de auxílio ao diagnóstico da doença rara

Abstract

A Lipodistrofia Generalizada Congênita é uma condição genética rara caracterizada pela perda quase total de gordura corporal (tecido adiposo). Por isso os pacientes que apresentam essa doença, adquirem uma aparência física bem característica, como os músculos do corpo proeminentes. Por causa das características fenotípicas, formou-se um conjunto de dado composto por 192 imagens de pacientes que tem a lipodistrofia generalizada congênita, de propriedade da Universidade Federal do Ceará, e outro com 101 imagens de pessoas sem a doença retirada da internet. Essas imagens passaram por uma etapa de pré-processamento utilizando os algoritmos: Correção Gamma, Equalização de Histograma (HE), Equalização Dinâmica de Histograma (DHE) e Fusão de Exposição (Ying). Utilizou-se também nas imagens o método de remoção de fundo. Com o pré-processamento finalizado, foi verificada a qualidade das imagens e processados em redes neurais convolucionais para analisar os resultados das classificações. As redes neurais utilizadas foram; uma rede própria CNN, chamada de IINET, MobileNetV2, ResNet50 e VGG19. Os modelos MobileNetV2, Resnet50 e VGG19 utilizaram o modelo pré-treinado da Imagenet, transfer learning e todos os modelos utilizaram o otimizador Adam, matriz confusão e curva ROC para avaliar seus desempenhos. O modelo que obteve a melhor acurácia foi o VGG19 com 99, 01% e f1score de 98, 98% com o método de retirada do fundo e obteve o resultado da área sob a curva com 0, 94. A rede IINET manteve seu bom desempenho com a acurácia de 92, 43%, f1score de 93, 39% e área sob a curva de 0, 93 com o conjunto de dados original. O modelo MobileNetV2 obteve o melhor custo computacional. Os resultados demonstram a capacidade dos modelos da rede neural convolucional pré-treinadas em identificar os pacientes, assim como a CNN proposta, IINET, observando que o banco de dados não é padronizado e se aproxima da realidade de fotos tiradas no dia a dia. Fato benéfico para auxílio de diagnósticos para os profissionais de saúde a partir de uma imagem fotográfica tirada no consultório