Título: Análise Comparativa entre Abordagens Convencionais e Métodos Orientados por Zonas de Aeração no Apoio ao Diagnóstico de COVID -19
Autores: Andressa Gomes Moreira, Antonio Ermeson Pereira Alves, Gabriel Vaz de Oliveira, Pedro Crosara Motta & Paulo César Cortez
Resumo: A COVID-19 ainda representa um desafio global de saúde. Nesse contexto, a Tomografia Computadorizada (TC) de tórax desempenhou um papel fundamental durante a pandemia. No entanto, a interpretação dessas imagens é complexa. Diante disso, este trabalho tem como objetivo desenvolver um fluxo de trabalho para segmentação pulmonar e classificação de casos de COVID-19. Para isso, foram realizados experimentos com técnicas de transfer learning aplicadas tanto à segmentação quanto à classificação, explorando também a análise dos percentuais de aeração pulmonar. A combinação da arquitetura ResNet50 com FPN obteve resultados promissores na segmentação, alcançando 99,50% de acurácia no teste, enquanto a EfficientNetB7 apresentou o melhor desempenho na classificação, com acurácia de 96,39%.
Palavras-chave: COVID-19; classification; segmentation; aeration; machine learning.
Páginas: 8
Código DOI: 10.21528/CBIC2025-1191895
Artigo em PDF: CBIC_2025_paper1191895.pdf
Arquivo BibTeX:
CBIC_2025_1191895.bib