Classificação de imagens microscópicas do intestino de frangos de corte usando Rede Neural Convolucional

Abstract

Resumo: Após a proibição dos antimicrobianos promotores de crescimento pelaUnião Europeiaem 2016, as pesquisas sobre saúde intestinal ganharam destaque na avicultura. Atualmente, umdos centros de pesquisa de destaque na área é o Laboratório de Experimentação Avícola (LEA) da UFPR-Setor Palotina que realiza pesquisas voltadas a produção e nutrição de frangos de corte. Entre as análises realizadas está a morfometria, que avalia a saúde intestinal de frangos de corte submetidos a experimentos nutricionais. Esta análise envolve a visualização e classificação de imagens microscópicas de cortes histológicos de porções intestinais (jejuno, íleo e duodeno) das aves. No entanto, o processo de análise das imagens obtidas é totalmente manual e depende exclusivamente da habilidade do avaliador impactando na qualidade e o diagnóstico preciso quanto ao grau de saudabilidade do intestino das aves. Redes Neurais Convolucionais (CNNs) são projetadas para processar dados em grade, como imagens, e visam otimizar a classificação dessas imagens, aumentando a precisão e a velocidade da avaliação. Dessa forma, o objetivo deste trabalho foi criar um modelo de Rede Neural Convolucional (CNN) para classificar as imagens microscópicas dos cortes histológicos intestinais (jejuno, íleo e duodeno) por meio da aplicação de uma Rede Neural Convolucional, visando obter um método mais eficiente para avaliar a saúde intestinal das aves.

Abstract: After the European Union banned growth-promoting antimicrobials in 2016, research on intestinal health gained prominence in poultry farming. Currently, one of the leading research centers in this area is the Poultry Experimentation Laboratory (LEA) at UFPR-Setor Palotina, which conducts research focused on the production and nutrition of broiler chickens. Among the analyses performed is morphometry, which evaluates the intestinal health of broilers subjected to nutritional experiments. This analysis involves the visualization and classification of microscopic images of histological sections of the intestinal portions (jejunum, ileum, and duodenum) of the birds. However, the process of analyzing the obtained images is entirely manual and relies exclusively on the evaluator’s skill, impacting the quality and precise diagnosis regarding the intestinal health of the birds. Convolutional Neural Networks (CNNs) are designed to process grid-like data, such as images, and aim to optimize the classification of these images, increasing the accuracy and speed of the evaluation. Therefore, the objective of this study was to create a Convolutional Neural Network (CNN) model to classify microscopic images of histological intestinal sections (jejunum, ileum, and duodenum) by applying a Convolutional Neural Network, aiming to obtain a more efficient method to evaluate the intestinal health of the birds.