A análise de imagens médicas desempenha um papel importante na tomada de decisão de médicos especialistas. Especificamente na deteção da COVID-19, as abordagens de Aprendizado Profundo (AP) e a abordagem Radiômica obtiveram resultados promissores no decorrer dos últimos anos. No entanto, os resultados por meio de aprendizado profundo são difíceis de interpretar/visualizar e a abordagem radiômica elenca etapas sucessivas, como: a aquisição de imagens, o processamento de imagens, a segmentação, a extração de características e a análise. Neste contexto, este trabalho de Mestrado propõe a abordagem DEELE-Rad (Deep Learningbased Radiomics), que utiliza a integração de aprendizado profundo e a abordagem radiômica, com intuito de auxiliar na detecção de COVID-19. O DEELE-Rad utiliza modelos de aprendizado profundo para extrair 100, 128, 200, e 300 características radiômicas profundas relevantes para avaliar a COVID-19. Utilizando várias fontes de imagens, com 392 exames representativos de radiografia de tórax (raio-X). Desta maneira, evitam-se etapas sucessivas da radiômica utilizando aprendizado profundo e aplicando ajuste-fino nas redes da VGG-16, ResNet50V2 e a DenseNet201. O DEELE-Rad considera um conjunto de algoritmos de Aprendizado de Máquina (AM) para validar os resultados, fornecendo um comitê (ensemble) de classificadores para classificação de COVID-19. Com resultados experimentais do DEELE-Rad, foi possível observar que o DEELE-Rad obteve um melhor desempenho quando utilizou-se 300 características radiômicas profundas provenientes da DenseNet201, tornando-o mais preciso em até 8,8% comparada aos modelos de aprendizado profundo de ponta a ponta. O DEELE-Rad têm como proposta a análise e avaliação visual de características radiômicas profundas, a fim de apresentar interpretabilidade e explicabilidade tornando-o mais explicável. De maneira geral, o DEELE-Rad pode aumentar o desempenho da classificação binária em um cenário real. Por fim, destacamos que o DEELE-Rad pode ser adaptado para criar outras ferramentas de radiômica baseadas em aprendizado profundo e pode fornecer perspectivas de interpretabilidade e explicabilidade de radiômicas profundas por meio dos modelos de aprendizado profundo.

Medical image analysis plays an essential role in aiding physicians in decision-making. Specifically in detecting COVID-19, deep learning (DL) and radiomics approaches have achieved promising results in recent years. However, deep learning results are hard to interpret/visualize, and the radiomic approach encompasses successive steps, such as image acquisition, image processing, segmentation, feature extraction, and analysis. In this context, this Masters thesis proposes the DEELE-Rad (Deep Learning-based Radiomics) approach, which integrates deep learning and the radiomic approaches, aiding in detecting COVID-19. DEELE-Rad uses deep learning models to extract 100, 128, 200, and 300 deep radiomic features relevant to assessing COVID-19. Multiple image sources, with 392 representative chest X-ray examinations. This way, successive steps of radiomics are avoided using deep learning and fine-tuning on the VGG-16, ResNet50V2, and DenseNet201 networks. The DEELE-Rad considers a set of Machine Learning (ML) algorithms to further validate our results, providing an ensemble learning model to detect COVID-19. With experimental results from DEELE-Rad, it was possible to observe that DEELERad performed better when using 300 deep radiomic features from DenseNet201, making it more accurate by up to 8.8% compared to end-to-end deep learning models. DEELE-Rad aims to visually analyze and evaluate deep radiomic features to make them more interpretable and explainable. Overall, DEELE-Rad can increase binary classification performance in a real scenario. Finally, we highlight that DEELE-Rad can be adapted to create other deep learning-based radiomics tools and can provide insights into the interpretability and explainability of deep radiomics through deep learning models.