Intracranial hemorrhage detection: how much can windowing, transfer learning and data augmentation affect a deep learning model’s performance?

Resumo

A aplicação de Redes Neurais Profundas para detecção de hemorragia intracraniana a partir de imagens de tomografia computadorizada tem sido amplamente utilizada na medicina clínica. Em geral, a construção dessas soluções combina três tipos de abordagens: pré-processamento, transferência de aprendizado e aumento de dados. O objetivo deste estudo foi medir a contribuição de cada uma dessas abordagens e, assim, destacar qual abordagem tem mais margem de melhoria. Um estudo experimental foi realizado em um conjunto de dados público contendo imagens de tomografia computadorizada. A comparação foi realizada através do processo de validação cruzada estratificada, repetido 10 vezes para definir os intervalos de confiança para a avaliação de desempenho, medido pela área sob a curva \textit{Receiver Operator Characteristic} (ROC). A ResNet-50 foi a rede de aprendizado profundo selecionada. Os resultados mostraram que todas as abordagens aumentam o poder de generalização quando aplicadas isoladamente, e o aumento de dados oferece o ganho mais significativo para a solução de base. O experimento também mostrou uma oportunidade de melhorar a detecção de hemorragia intracraniana por meio da aplicação de novas técnicas de pré-processamento, uma vez que essa foi a abordagem que apresentou o menor aumento no poder discriminatório entre as abordagens investigadas. O teste de hipótese Wilcoxon emparelhado mostrou que nem todas as diferenças foram estatisticamente significativas, com um nível de confiança de 95%.