ESTUDO DA INFLUÊNCIA DOS ESPAÇOS DE CORES NO DESEMPENHO DE CLASSIFICADORES COMPUTACIONAIS AUTOMÁTICOS DE LESÕES GLOMERULARES

Introdução: Em Nefropatologia Computacional, uma tarefa essencial é classificar imagens de glomérulos. Os classificadores automáticos atuais são construídos a partir de técnicas de aprendizagem de máquina e se baseiam em Redes Neurais Convolucionais treinadas com imagens representadas no espaço de cor RGB. Além do RGB, existem ainda os espaços de cores Lab e HSV que são usados frequentemente para representar as cores imagens em tarefas computacionais. Objetivo: Avaliar se o uso de espaços de cor Lab e HSV pode aumentar o desempenho de classificadores computacionais de lesões glomerulares. Métodos: Foram usadas 1.835 imagens de glomérulos normais, 607 imagens de glomérulos com esclerose segmentar, 715 com glomerulopatia membranosa e 517 com hipercelularidade, totalizando 3.674 imagens coradas HE, PAS, PAMS e AZAN. Para cada arquitetura de rede neural (Inception-v3 e VGG-16) foram desenvolvidos quatro classificadores, um para cada lesão, culminando em oito modelos no total. Cada modelo foi treinado com o dataset original e, considerando o desbalanceamento do das classes, foi usado o método de Super Amostragem Aleatória para rebalanceamento da classe minoritária e treinamento de modelos. Uma porção de 20% das imagens foram reservadas para teste e as 80% restantes foram usadas para treinamento usando Validação Cruzada com cinco folds. Resultados: Os classificadores treinados com o dataset rebalanceado apresentaram melhor desempenho do que os que usaram o dataset original. Os dataset com imagens no espaço de cor RGB produziram os melhores resultados em ambas arquiteturas de rede. A arquietura VGG-16 produziu um F1-score médio de 0,9889 para o RGB, contra 0,9542 do HSV, 0,7337 do Lab e 0,9491 do HED. Por sua vez, a rede Inception v3 produziu um F1-score médio 0,9687 parea o RGB, contra 0,9049 do HSV, 0,5210 do Lab e 0,9029 do HED. Conclusão: Os resultados indicam que o espaço de cor RGB permite a criação dos melhores modelos para classificação automática das lesões. Em um estudo futuro, avaliaremos se a fusão de características extraídas de distintos espaços sobre o desempenho dos classificadores.