Título: Triagem automática de imagens de raio -x utilizando autoencoder: um método de validação de imagens médicas de mão e punho para a estimativa de idade óssea
Autores: Filipe Verrone De Lima, Rafael do Amaral Teodoro, Gustavo Scalabrini Sampaio, Cristiane Kochic, Carlos Alberto Longui & Leandro Augusto da Silva
Resumo: Este trabalho apresenta um método de validação de imagens radiográficas de mão e punho com o fim de integr á-lo a uma aplicação clínica voltada à estimativa automatizada da idadeóssea. A proposta consiste na definição de qualidade baseada em BAA e na construção de um modelo Convolutional Autoencoder (CAE) treinado exclusivamente com imagens de qualidade aceitável (classe positiva), a fim de permitir a classificação binária entre imagens válidas e inválidas segundo critérios objetivos de qualidade. Utilizou-se uma base original composta por 430 imagens de raio-X de mão e punho de pacientes saudáveis fornecida pela Santa Casa de Misericórdia de São Paulo. Essas imagens foram degradadas sintética e controladamente em brilho e contraste, com variações graduais. O impacto dessas alterações foi mensurado pela variação na estimativa de idadeóssea gerada por um modelo baseado em Visual Geometry Group 16 (VGG16). Essa variação foi utilizada como base para definição dos limiares de qualidade aceitável. As imagens degradadas além desses limiares estatísticos foram chamadas de classe negativa. O modelo CAE foi treinado em uma estrutura de validação cruzada com cinco folds, avaliando diferentes arquiteturas. O modelo com melhor desempenho (CAE com cinco camadas) apresentou os menores erros de reconstrução na validação com a classe positiva entre os demais. O limiar de classificação foi definido utilizando a estatística J de Youden, priorizando a minimização da taxa de falso negativo, isto é, a não rejeição de imagens que de fato são válidas. O modelo obteve recall de 87,06% e acurácia de 63,88%.
Palavras-chave: medical image quality; bone age assessment; hand and wrist radiography; X-ray; Convolutional Autoencoder (CAE); One-Class Classification (OCC); Machine Learning in clinical diagnosis.
Páginas: 8
Código DOI: 10.21528/CBIC2025-1191425
Artigo em PDF: CBIC_2025_paper1191425.pdf
Arquivo BibTeX:
CBIC_2025_1191425.bib