Alunos da turma 2022 recebem prêmio na conferência ENIAC

O artigo “Convolutional architectures with LSTM and TCN to embolism classification: exploring dependency between data” foi premiado como segundo melhor artigo da conferência ENIAC (XIX Encontro Nacional de Inteligência Artificial e Computacional) na carreira de graduação, tendo como coautores os alunos Luiz G. K. Zanini e Aldomar P. S. Silva da turma 2022 do módulo de formação “Pesquisa em Engenharia de Computação”.

O artigo está disponível em http://dx.doi.org/10.5753/eniac.2022.227585

Resumo: A Embolia Pulmonar é uma afecção causada pela obstrução da artéria pulmonar ou de um de seus ramos. Esta condição impõe uma alta incidência de mortalidade, sendo estimado nos Estados Unidos cerca 100.000 mortes por ano. A angiografia pulmonar por tomografia computadorizada (CTPA) é uma modalidade radiológica e uma tecnologia essencial para o diagnóstico desta doença, fornecendo uma série de imagens axiais.
No projeto foram treinadas duas redes neurais convolucionais (Efficient Net B0 e Resnet 3D 18) em um conjunto de dados que contém imagens médicas provenientes oriundas da CTPA. Depois de treinar essas redes, foi adicionada uma nova camada à arquitetura, explorando a dependência entre as imagens ao longo do exame utilizando LSTM E TCN. Com os modelos treinados e testados, os resultados obtidos nessas diferentes abordagens foram comparados utilizando métricas variadas.
Como resultado, conclui-se que a abordagem com TCN e Resnet 3D 18 apresentou os melhores resultados. A principal contribuição deste trabalho foi observar como diferentes combinações de arquiteturas podem impactar na classificação da embolia pulmonar. Além disso, foi possível verificar uma melhoria nos resultados em comparação com a classificação individual dessas imagens, a partir da dependência espacial das imagens.