Titulo Estágio
Deep Learning para Segmentação e Classificação Automática de Sons Respiratórios Adventícios
Local do Estágio
DEI
Enquadramento
As patologias respiratórias apresentam taxas de mortalidade e morbilidade crescentes, estando frequentemente associadas a diversas comorbilidades, tais como doenças cardiovasculares, síndrome metabólico, osteoporose, doenças do foro psíquico e cancro do pulmão.
Presentemente, não existe um acompanhamento continuado das patologias respiratórias, levando a episódios frequentes de descompensação com hospitalização, os quais têm impacto significativo na saúde e qualidade de vida dos pacientes, na baixa de produtividade por perda de dias de trabalho e em elevados custos de tratamento ambulatório e hospitalização, impondo elevados encargos a nível de saúde pública.
No entanto, é sabido que cada episódio de descompensação é precedido por uma fase de incremento gradual que varia entre várias horas e vários dias antes do pico da descompensação. Assim, a detecção precoce dessa tendência em direcção ao pico de descompensação pode prevenir a sua ocorrência e levar a um quadro clínico significativamente mais leve. Como tal, é fundamental alterar o paradigma reactivo actual na gestão das patologias respiratórias para outro preventivo, proactivo e centrado no paciente. Nesse sentido, são requeridos sistemas de diagnóstico precoce de descompensações.
Neste contexto, um sintoma bastante importante são sons respiratórios adventícios (e.g., sibilâncias, fervores, etc.), os quais estão frequentemente associados a desordens respiratórias. Num ambiente de acompanhamento continuado, a detecção de sons adventícios deve ser feita automaticamente. No entanto, esta tarefa torna-se complexa dado que os sons pulmonares são facilmente mascarados por outros sons respiratórios (e.g., respiração profunda) e sons ambientais.
Objetivo
Desde há vários anos, o Laboratório de Informática Clínica do CISUC tem desenvolvido sistemas para o processamento de sinais áudio respiratórios e processamento de imagem. Neste projecto, em parceria com a Escola Superior de Saúde da Universidade de Aveiro (ESSUA), pretende-se desenvolver algoritmos para a segmentação e classificação automática de sons respiratórios adventícios com base em técnicas de deep learning.
A prossecução do objectivo genérico enunciado consubstancia-se através de um conjunto de objectivos de carácter mais específico, nomeadamente:
- Actualização de uma base de dados pública já existente, acrescentando-lhe sons respiratórios adicionais;
- Estudo e aplicação de técnicas de deep learning (aprendizagem computacional) para a segmentação classificação automática de sons respiratórios adventícios, tanto isoladamente como em conjunto, em ambiente controlado ou com perturbações acústicas ambientais.
Plano de Trabalhos - Semestre 1
1. Análise crítica do estado da arte relativo ao problema da segmentação e classificação de sons respiratórios adventícios.
2. Análise crítica do estado da arte relativo à utilização de técnicas de deep learning na segmentação e classificação de som em geral (e som respiratório em particular), e.g., CNNs, LSTMs, auto-encoders, etc.
3. Actualização da base de dados de sons respiratórios.
Plano de Trabalhos - Semestre 2
4. Continuação da actualização da base de dados
5. Investigação e desenvolvimento de abordagens de deep learning para classificação de sons respiratórios (incluindo diferentes mecanismos de pré-processamento, mecanismos de transfer learning, aplicação e adaptação de diferentes arquitecturas de deep neural networks, etc.).
6. Validação dos modelos desenvolvidos e análise crítica e comparativa dos resultados alcançados.
7. Escrita da tese e artigo científico
Condições
Possibilidade de bolsa de investigação no segundo semestre.
Orientador
Rui Pedro Paiva, Prof. Paulo de Carvalho e Profª. Alda Marques (ESSUA)
ruipedro@dei.uc.pt 📩