A ecografia versus elastografia no estudo da sarcopenia

Abstract

Due to its effects on the health and well-being of the aging population, sarcopenia, the age-related loss in skeletal muscle mass and function, has garnered more attention. In this research, we investigate the use of cutting-edge imaging methods and machine learning approaches for the classification of sarcopenia, using ultrasound and elastography images of the rectus femoris muscle.Our study compares the performance of conventional machine learning models and cutting-edge deep learning models, evaluating each model's ability to identify sarcopenia in various age groups within a diverse dataset of 180 images collected from 30 people ranging in age from 20 to 75. The dataset underwent careful preprocessing, including data augmentation methods, to increase its diversity and potential for generalization. Neural networks, Nu Support Vector Machine, Logistic Regression, Stochastic Gradient Descent Classifier, and Support Vector Machine were all included in our investigation. Furthermore, we explored the possibilities of deep learning models such as DenseNet 121, VGG 16, VGG 19, ResNet 50, and Inception V3. Each model was adjusted and thoroughly compared based on its classification performance. Our findings show that the machine learning classifiers matched and some even surpassed the deep learning equivalents in terms of exceptional classification accuracy. Notably, the Neural Network emerged as the most reliable performer among the deep learning models, achieving a remarkable F1 score of 99.81\% in the ultrasound dataset.This outcome highlights the capability of deep learning architectures to correctly identify sarcopenia in images from elastography and ultrasound. Additionally, the neural network's competitive performance raises the possibility that high accuracy may not always require complex deep learning models, particularly when working with limited datasets.This dissertation offers insights into the classification of sarcopenia using a wide range of models, contributing to the growing body of research at the intersection of medical imaging and machine learning. The observed effectiveness of both conventional and deep learning models emphasizes the potential use of these methods in aiding medical practitioners in the early detection and intervention of sarcopenia. This finding has possible implications for enhancing the quality of life for older individuals through improved diagnostic tools and individualized care as the world's population continues to age.

Devido aos seus efeitos sobre a saúde e bem-estar da população idosa, a sarcopenia, perda de massa e função do músculo esquelético relacionada com a idade, tem atraído mais atenção. Nesta investigação, é explorada a utilização de métodos de imagem avançados e abordagens de machine learning para a classificação da sarcopenia, utilizando imagens de ecografia e elastografia do músculo reto femoral.Este estudo compara o desempenho de modelos de classificação convencionais e modelos de deep learning de ponta, avaliando a capacidade de cada modelo em identificar a sarcopenia em vários grupos etários num conjunto de dados diversificado de 180 imagens recolhidas de 30 pessoas com idades compreendidas entre os 20 e os 75 anos. O conjunto de dados foi submetido a um pré-processamento cuidadoso, incluindo métodos de aumento de dados, de modo a aumentar a sua diversidade e potencial de generalização. A nossa investigação incluiu redes neuronais, Nu Support Vector Machine, Logistic Regression, Stochastic Gradient Descent Classifier, e Support Vector Machine. Além disso, explorámos as potencialidades de modelos de deep leaning, como o DenseNet 121, o VGG 16, o VGG 19, o ResNet 50 e o Inception V3. Cada modelo foi ajustado e comparado exaustivamente com base no seu desempenho de classificação. As nossas conclusões mostram que os classificadores de machine learning igualaram e alguns até ultrapassaram os equivalentes de deep learning em termos de precisão de classificação. Notavelmente, a Rede Neuronal emergiu como o desempenho mais fiável entre os modelos, alcançando um notável F1 score de 99,81% para o conjunto de dados de ecografia.Este resultado destaca a capacidade das arquiteturas de deep learning para identificar corretamente a sarcopenia em imagens de elastografia e ecografia. Além disso, o desempenho competitivo da rede neural levanta a possibilidade de que a alta precisão nem sempre exige modelos complexos de deep learning, principalmente quando se trabalha com conjuntos de dados limitados.Esta dissertação oferece algumas conclusões sobre a classificação da sarcopenia utilizando uma vasta gama de modelos, contribuindo para o crescente corpo de investigação na intersecção da imagiologia médica e de machine learning. A eficácia observada nos modelos convencionais e de deep learning realça a potencial utilização destes métodos para auxiliar os profissionais de saúde na deteção e intervenção precoces da sarcopenia. Esta descoberta tem possíveis implicações para melhorar a qualidade de vida dos indivíduos mais velhos mediante melhores ferramentas de diagnóstico e cuidados individualizados à medida que a população mundial continua a envelhecer.