Recentemente, estudos mostraram que o uso de medidas de complexidade em imagens, como marcadora de diferentes texturas, podem trazer informações relevantes para influenciar na eficiência de métodos de classificação. A cardiomiopatia chagásica crônica [CCC] apresenta alterações teciduais com manifestações radiológicas. Apesar das características de textura serem utilizadas recorrentemente para diferenciar imagens de ressonância magnética nuclear adquiridas de pacientes doentes de pessoas saudáveis, nenhum estudo sistemático avaliou a medida de complexidade em pacientes com CCC, sem o uso de segmentação do anel do miocárdio. Neste trabalho, o objetivo foi avaliar como, e se, medidas de complexidade estatística como a entropia amostral podem influenciar métodos de classificação de imagens envolvendo algoritmos de Machine Learning [ML] clássico, a partir de imagens de ressonância magnética com Realce Tardio não segmentadas do miocárdio e se os algoritmos de Deep Learning [DL] por si só seriam capazes classificar tais imagens. Após a avaliação de diferentes parametrizações de entropia amostral, combinados com três diferentes arquiteturas de ML e duas de DL, em quatro distribuições diferentes de conjuntos de dados, foi possível apontar uma influência positiva da entropia amostral nas técnicas de ML e que as técnicas de DL, mesmo com os ruídos associados, atingiu acurácias de classificação de 70% em validação. O trabalho foi limitado por um baixo número de amostras e grande heterogeneidade entre as imagens. O aumento no número de amostras e uma maior homogeneidade entre as imagens podem gerar melhores resultados e possivelmente permitir a obtenção de uma arquitetura de rede treinada capaz de contribuir para o apoio ao diagnóstico e prognóstico da CCC.

Recently, studies appreciated that the use of complexity measures in images, as a marker of different textures, can bring relevant information to influence the efficiency of classification methods. Chronic Chagas Cardiomyopathy [CCC] presents tissue alterations with radiological manifestations. Although texture characteristics are recurrently used to distinguish nuclear Magnetic Resonance Images [MRI] acquired from healthy patients of sick patients, no systematic study has evaluated the complexity measure in patients with CCC, without the use of myocardial ring segmentation. In this work, the objective was to evaluate how, and if, measures of statistical irregularity such as sample entropy may influence image classification methods involving classic Machine Learning [ML] algorithms, from non-segmented Delayed Enhancement MRI of the myocardium and whether Deep Learning [DL] algorithms alone might be able to classify such images. After evaluating four different sample entropy parameterizations, combined with features of Haralick and Run Length descriptors, associated with three different ML and two DL architectures, in four different dataset distributions, it was possible to find a positive influence of sample entropy on ML techniques and that DL techniques , even with the associated noise, reaching classification accuracy of 70% at test phase. The work was limited by a low sample number and high heterogeneity between images. The increase in the number of samples and greater homogeneity between the images can generate better results and possibly allow the realization of a trained network architecture capable of contributing to support the diagnosis and prognosis of CCC.