Análise comparativa entre algoritmos de aprendizagem de máquina em classificação de imagens de radiografia no auxílio ao diagnóstico da pneumonia

A pneumonia é uma doença que assola grande parte da população mundial. Uma das principais formas de se diagnosticar a pneumonia é por meio da análise de imagens de raio-x do tórax por um especialista. Dada a gravidade da doença, é preciso que o diagnóstico seja rápido e preciso, de modo a aumentar as chances de sobrevivência do paciente. Nesse sentido, o uso de algoritmos de aprendizagem de máquina para realizar a análise dessas imagens e classificação da presença da doença pode auxiliar o especialista a realizar diagnóstico preciso. Neste trabalho, realizamos uma análise comparativa do desempenho de três técnicas clássicas de aprendizagem de máquina, a saber, k-vizinhos mais próximos, florestas aleatórias e perceptron multicamadas, bem como do estado da arte na classificação de imagens,que são as redes neurais convolucionais. Os experimentos foram feitos utilizando 5856 imagens da base de dados Chest x-ray images (pneumonia). Os experimentos mostraram que as redes neurais convolucionais apresentaram o melhor desempenho, com acurácia de 88,14% na detecção da doença.

Pneumonia is a disease that occurs worldwide. One of the main ways to detect pneumonia is by analyzing chest x-ray images by a specialist. Given the severity of the disease, the diagnostic mustberapidandaccurate,inordertoincreasethepatient’schancesofsurvival.Inthissense,the use machine learning algorithms to perform the analysis of these images to classify the presence of the disease can help the specialist to perform accurate diagnosis. In this work, we perform a comparative analysis of the performance of three classic machine learning techniques, namely, k-nearest neighbor, random forest, and multilayer perceptron, as well as the state of the art in image classification, the convolutional neural networks. The experiments were performed on 5856 images for the Chest x-ray Images Database (pneumonia). The experiments showed that the convolutional neural networks presented the best performance, with an accuracy of 88,14% in the detection of the disease.