Modelos Inovadores de Aprendizado Profundo Híbrido CNN-Transformer para o Diagnóstico Automatizado da Varíola dos Macacos a partir de Imagens Médicas

Resumo

O uso de uma coleção curada de 2.280 imagens de lesões cutâneas produziu um fluxo de trabalho binário padronizado de aprendizado profundo para classificar a presença de mpox em cada imagem. Um modelo personalizado e InceptionV3, ResNetV2, ResNet50, DenseNet121 e um híbrido CNN-transformador foram comparados no contexto de um pipeline comum de pré-processamento e treinamento.

Resumo

A aparência visual das lesões cutâneas da varíola do macaco permanece pouco estabelecida devido à sua semelhança com outras doenças cutâneas vesiculares e pustulares. Este artigo testou a hipótese de que um modelo híbrido de aprendizado profundo, integrado com codificadores de características convolucionais e baseados em transformadores, pode classificar automaticamente imagens mpox dentro de um pipeline experimental unificado. Para garantir consistência entre modelos e relatórios, a análise principal foi realizada como uma tarefa binária: mpox vs outras condições com a mesma ou semelhante apresentação. Esses dados de referência consistiram em 2.280 imagens: 1.020 imagens de lesões não mpox e 1.260 imagens de lesões não mpox. As imagens foram reduzidas para um tamanho padrão de entrada de 150 × 150 pixels, e os valores ficaram na faixa [0, 1]. Durante o treinamento, as imagens foram complementadas com rotação, translação, cisalhamento, zoom e inversão horizontal. Foram comparados um CNN Sequencial personalizado, InceptionV3, ResNetV2, ResNet50, DenseNet121 e uma arquitetura híbrida CNN-transformador proposta. Todo modelo de linha de base foi treinado por 15 épocas usando o otimizador Adam e a perda binária de entropia cruzada. A precisão do treinamento e validação, perda, precisão, recall, F1-score e área sob a curva característica operacional do receptor foram medidos para avaliar o desempenho, sempre que possível. A melhor precisão interna relatada foi observada com a CNN Sequencial, e o modelo híbrido alcançou precisão de 98,50, recall de 98,50 e pontuação F1 de 98,58, resultando em um perfil discriminativo balanceado. O InceptionV3 apresenta sinais de sobreajuste, e o ResNetV2 não forneceu dados de validação suficientes para suportar um teste de generalização robusto. No geral, o modelo híbrido pode ser visto como uma estratégia viável e equilibrada, e não necessariamente melhor do que todas as linhas de base.

Introdução

A detecção automatizada e rápida de mpox em casos médicos é clinicamente significativa, pois a doença pode ser semelhante a várias outras erupções vesiculares ou pustulares na avaliação visual inicial. Os clínicos, na prática, não prestam muita atenção apenas à morfologia das lesões, mas combinam padrão, distribuição, histórico, risco de exposição, contexto epidemiológico e confirmação^{laboratorial 1}. No entanto, ferramentas computacionais utilizam imagens e também podem realizar um procedimento útil de triagem em ambientes onde a revisão dermatológica especializada é limitada ou atrasada. É especialmente aplicável no rastreamento de surtos, triagem por teledermatologia e ambientes com recursos limitados e que possuem um número significativo de casos possíveis que devem ser priorizados para testes confirmatórios.

As abordagens baseadas em aprendizado profundo também surgiram como atraentes para essa tarefa, pois podem descobrir imagens discriminativas de lesões sem o uso de descritores que precisam ser criados manualmente². A revisão mais popular da literatura ainda pertence às redes neurais convolucionais devido à sua eficácia em textura local, faixa de cores e reconhecimento de margens de^{lesões 3}. Trabalhos recentes desenvolveram ainda mais esse paradigma com a ajuda de aprendizado por transferência, mecanismos de atenção e módulos transformadores, que tentam modelar uma dependência espacial maior da imagem. No entanto, a literatura sobre mpox apresenta altos relatos de desempenho, o que deve ser tomado com cautela. Uma grande variedade de estudos utilizou conjuntos de dados públicos esparsos, possui diferentes conjuntos de classes heterogêneas ou compara resultados com diversos regimes de pré-processamento e^{validação 4}. Por conta disso, frequentemente surge o dilema de saber se aumentos de desempenho são resultado de um modelo verdadeiramente superior, uma divisão desejável, aumento vigoroso ou disparidades na formulação da tarefa subjacente.

A mpox continua sendo uma das doenças infecciosas significativas com implicações negativas para a saúde pública, pois suas lesões envolvendo infecções cutâneas podem aparentemente ser confundidas com outras lesões vesiculares e pustulares na interface durante a triagem ocular durante o exame^{primário 5}. Na prática, os profissionais não fazem o diagnóstico de mpox com base na morfologia: padrão, distribuição, histórico, epidemiologia e confirmação laboratorial são componentes da decisão^{de diagnóstico 6}. No entanto, eles podem desempenhar um papel benéfico no processo de triagem com a ajuda de ferramentas computacionais que dependem das imagens, especialmente quando a experiência dos dermatologistas é inadequada, lenta ou indisponível. Elas podem ser aplicáveis em teledermatologia, em casos em que um surto deve ser tratado com triagem, e em locais com limitações de recursos onde casos suspeitos na lista de prioridades devem ser rapidamente^{tratados 7}.

Métodos baseados em deep learning, por permitirem aprender representações discriminativas de lesões, seriam atraentes para essa tarefa porque aprendem tais representações sem descritores feitos à mão, dependendo das características das imagens^{de entrada 8}. Tem sido uma febre no campo das imagens dermatológicas utilizar redes neurais convolucionais (CNNs) na análise de imagens, pois elas possuem a capacidade de codificar textura local, periferia das lesões e significado morfológico requintado. Estudos posteriores forneceram esse paradigma por meio de aprendizagem por transferência, atenção e submódulos baseados em transformadores para aprender relações espaciais mais gerais e tendências^{contextuais 9}. No entanto, a literatura sobre a imagem mpox ainda é heterogênea. Não é incomum que o desempenho seja reportado como baseado não apenas na seleção da arquitetura, mas também na estrutura do conjunto de dados, plano de aumento, definição de classes e estrutura^{de validação 10}. Então, um bom desempenho em manchetes não indica necessariamente maior generalização.

No trabalho atual, esse problema é resolvido usando um benchmark de classificação de imagem mpox binária mais perceptível e internamente^{consistente 11}. Não discute a contribuição no formato de propor uma arquitetura híbrida totalmente nova, já que métodos CNN-transformadores já foram espalhados pela literatura¹². Em vez disso, o experimento introduz uma comparação padrão com a decomposição binária primária explícita, onde as evidências multiclass extras, pré-processamento/treinamento e desempenho do modelo são consideradas de forma amigável ao protocolo, e o desempenho do modelo é considerado de forma conservadora em comparação ao ambiente experimental¹³. Nesse paradigma, um modelo CNN-transformer ainda pode ser de importância funcional, já que CNNs são idealmente estruturadas para capturar informações locais de lesões, enquanto representações baseadas em transformadores também têm potencial para representar estruturas espaciais de longo alcance de interesse em dermatologia.

Pesquisas recentes de classificação de imagens sobre mpox podem ser divididas em três grandes áreas de pesquisa baseadas em uma metodologia. Esta última é baseada nas CNNs convencionais e no aprendizado por transferência devido à sua maturidade, velocidade de computação e recriação de texturas específicas de^lesão. Este último explora modelos baseados em atenção ou transformadores, mais adequados para aprender o contexto global da lesão. O terceiro integra convolucional e atenção nos pipelines híbridos para preservar a sensibilidade local, mas usando modelagem contextual de corpo maior. Vários dos estudos relatam alto desempenho que não pode ser facilmente comparado diretamente porque diferem no tamanho do conjunto de dados, estratégia de curadoria, estrutura de suas classes, pré-processamento e protocolo^{de validação 15}. Eles são orientados para classificação binária, multiclasse e discriminação dermatológica, nem todos com as mesmas medidas de avaliação. Conjuntos de dados de imagens mpox disponibilizados publicamente também podem incluir imagens quase duplicadas ou muito semelhantes, que exigirão que o desempenho aparente seja inflado caso o controle dividido não seja suficiente¹⁶.

A análise dada baseia-se em um conjunto binário controlado de 2.280 fotografias de lesões cutâneas, 1.020 fotografias de mpox e 1.260 fotografias de outros foram planejadas. A Outra categoria se sobrepõe às lesões não mpox que aparecem a olho nu, o que coloca a tarefa em uma formulação de triagem precoce clinicamente interessante, em comparação com um sistema completo de localização^{dermatológica 17}. As imagens foram todas redimensionadas, normalizadas, padronizadas, aumentadas e avaliadas em um pipeline interno típico de validação interna de treinamento. O principal objetivo foi comparar o comportamento de modelos convencionais e híbridos de deep learning em um benchmark transparente e concluir se a arquitetura híbrida sugerida oferece um equilíbrio superior entre discriminação e interpretabilidade, em relação às referências de base populares.

A lacuna definitiva que a versão revisada atual aborda, portanto, não é apenas a apresentação do modelo híbrido, já que as estratégias do transformador híbrido CNN já foram abordadas na literatura. Em vez disso, a desconexão é que o que era necessário era uma métrica mais distinta e internamente consistente, que desconsidere as saídas binárias primárias e multiclasse exploratória, caracterize o pipeline de pré-processamento e treinamento de forma reprodutível e apresente o desempenho do modelo de uma forma que não exagere a novidade ou a preparação clínica¹⁸. Nesse sentido, uma arquitetura híbrida ainda vale a pena ser considerada, já que CNNs se destacam na extração local de características, e a atenção semelhante a transformador pode, em teoria, modelar configurações globais de lesões e conexões espaciais de longo alcance para auxiliar no diagnóstico^{visual 19}. A questão prática não é se um desenho híbrido terá um equilíbrio favorável entre discriminação, estabilidade e interpretabilidade em comparação com as linhas de base típicas no mesmo aspecto de dados curados, mas sim se ele oferece um bom equilíbrio entre tributação, estabilidade e interpretabilidade.

Os trabalhos mais recentes sobre análise de imagem mpox podem ser divididos em três áreas gerais do estudo dos métodos. A primeira utiliza CNNs tradicionais e arquiteturas de aprendizagem por transferência devido à sua maturidade, eficiência computacional e capacidade de aprender texturas específicas de lesões e características morfológicas^{locais 20}. O segundo fluxo oferece modelos de transformador visual ou aprimorados de atenção para capturar as associações espaciais mais amplas sobre o campo da lesão, especialmente quando as manchas de textura são compostas por distribuição contextual da lesão e, assim, podem ser tão importantes quanto as manchas individuais de textura. O terceiro fluxo adiciona o convolucional e a atenção para suportar pipelines híbridos na tentativa de manter a sensibilidade local das CNNs, mas utilizando a capacidade de modelagem contextual dos blocos de atenção.

Embora a maioria desses trabalhos afirme excelente precisão, a comparação entre estudos não é uma tarefa fácil devido às diferenças em tamanho, estratégia de curadoria, composição de classes e design de validação entre os^{conjuntos de dados 21}. Existem publicações que avaliam a discriminação binária, e aquelas que avaliam a categorização dermatológica multiclasse; algumas também são equilibradas na precisão e recordação dos relatos, e outras focam na precisão²². Além disso, conjuntos de dados mpox reportados podem ser baseados em coleções de imagens online, coleções curadas ou subconjuntos aumentados, o que pode aumentar o desempenho reportado quando vazamentos de validação de trens ou imagens quase duplicadas não são bem gerenciados. Assim, a Tabela 1 não é mantida apenas como um compêndio de trabalhos anteriores, mas sim como um mapa esquemático das famílias de modelos, restrições do conjunto de dados e as oportunidades oferecidas pelos métodos disponíveis nesta pesquisa.

O valor metodológico do trabalho em questão se reflete de maneira mais limitada e defensável. Este artigo discutirá a necessidade do benchmark binário transparente com a ajuda do conjunto de dados curado fornecido, reportará o procedimento de pré-processamento e treinamento e comparará diretamente o modelo híbrido proposto com as referências populares²³. Essas mudanças também separam o experimento binário principal e a evidência multiclasse de suplementação de forma a permitir que as reivindicações de desempenho sejam associadas ao contexto experimental^{apropriado 24}. A diferença faz uma diferença decisiva na análise discursiva da conduta do modelo, das medidas relatadas e da praticidade.

O principal experimento desse roteiro é um experimento de classificação binária em um conjunto menor de 2280 imagens de lesões cutâneas, que foi curado manualmente. Neste conjunto de dados, o número de imagens identificadas como mpox foi de 1.020, e as que foram categorizadas como outras foram 1.260. A outra categoria envolve a apresentação de aparências dermatológicas não relacionadas à variação e que têm caráter visual, principalmente lesões em que o manuscrito se refere a elas como lesões semelhantes à catapora e^{sarampo 25}. Essa nomenclatura dual torna esse agrupamento binário clinicamente significativo como uma formulação primitiva de triagem, pois o modelo questiona se o modelo é capaz de desagregar mpox suspeita e alternativas visualmente confusas, mas também é menos complexo do que um benchmark dermatológico multiclasse completo.

O treinamento dos modelos precisava ser padronizado, com todas as imagens pré-processadas antes de serem treinadas. Redimensionamento, normalização de intensidade, aumento e conversão de rótulos categóricos para binários também são mencionados no manuscrito. No entanto, no sentido atualizado, esses passos são considerados componentes de um pipeline reproduzível e não como notas escritas na periferia. Seu array foi ainda dividido em subconjuntos de treinamento e validação consistindo em diretórios, e as métricas de desempenho mencionadas deveriam então ser vistas como impactos internos de validação no desempenho, em vez de indicadores de um grupo externo de testes completamente independente. Para ser mais claro, essa coleção de 2.280 imagens será considerada como o dado oficial sobre o qual será realizada a análise principal. O enquadramento binário foi escolhido porque reflete a pergunta da triagem precoce comum na prática: a imagem de uma lesão suspeita é mais provável de ser mpox do que outras condições visualmente semelhantes? Esse enquadramento é limitado em comparação com um diagnóstico dermatológico extenso, mas é um ponto de partida válido e tecnicamente interpretável para benchmarking comparativo.

A descrição atualizada do conjunto de dados também considera o fato de que o artigo inclui alguns resultados adicionais obtidos com a ajuda de diferentes estruturas de classes ou alguns subconjuntos enriquecidos, que são mostrados nas Figuras 1A–I. Em vez de excluir esses materiais, o manuscrito agora os contextualiza diretamente para permitir que os leitores vejam os resultados que fazem parte do benchmark binário e os que fazem parte de experimentos secundários. Esse método manterá toda a documentação deste estudo, mas não permitirá a integração de experimentos incompatíveis em uma única afirmação.

Protocolo

NOTA: Use o conjunto de dados de imagens binárias mpox curadas descrito no manuscrito para o experimento principal. O conjunto de dados contém 2.280 imagens de lesões cutâneas, incluindo 1.020 imagens de mpox e 1.260 imagens rotuladas como Outros. Use apenas análise secundária de imagem; Não realize recrutamento direto de pacientes, intervenção clínica, experimentação com animais ou geração de novos espécimes biológicos como parte desse fluxo de trabalho.

1. Obter e curar o conjunto de dados

1. Defina um esquema binário de rotulagem com duas classes: mpox e Other.
2. Atribua lesões visualmente semelhantes que não são mpox à Classe Otra.
3. Analise todas as imagens para legibilidade, identidade de classe e adequação para classificação supervisionada de imagens.
4. Exclua imagens inutilizáveis ou ambíguas durante a curadoria.
5. Organize as imagens selecionadas em pastas de classes baseadas em diretórios para carregamento posterior com geradores de imagens.

2. Redimensione e normalize as imagens

1. Redimensione todas as imagens para 150 x 150 pixels antes do treinamento do modelo.
2. Aplique interpolação bicúbica durante o redimensionamento para preservar transições suaves da imagem.
3. Reescale as intensidades dos pixels dividindo cada valor de pixel por 255.
4. Normalize todas as intensidades da imagem para o intervalo [0,1].
   NOTA: Use o mesmo procedimento de resolução espacial e normalização para todos os modelos para manter uma comparação justa entre arquiteturas.

3. Ampliar as imagens de treinamento

1. Aplique aumento apenas ao subconjunto de treinamento.
2. Ajuste a faixa de rotação para 20°.
3. Ajuste a faixa de largura-deslocamento para 0,2.
4. Ajuste a faixa de deslocamento de altura para 0,2.
5. Ajuste a faixa de cisalhamento para 0,2.
6. Defina o alcance de zoom para 0,2.
7. Ative a inversão horizontal.
8. Use preenchimento de vizinho mais próximo para pixels introduzidos durante a ampliação.
9. Realize aumentos online durante o treino, em vez de duplicar permanentemente arquivos de imagem.
   NOTA: Não aumente as imagens de validação; Reescala apenas eles.

4. Codificar os rótulos e dividir o conjunto de dados

1. Codificar as duas classes como rótulos binários.
2. Carregue as imagens usando geradores baseados em diretórios no modo de classe binária.
3. Defina o tamanho do lote para 32.
4. Divida o conjunto de dados em subconjuntos de treinamento e validação.
   NOTA: O manuscrito relata apenas benchmarking interno de validação de treinamento e não inclui uma coorte externa independente de testes.

5. Construir os modelos base da CNN

1. Construa uma linha base CNN sequencial com três blocos convolucionais.
2. Use 32 filtros no primeiro bloco convolucional e siga o bloco com o máximo de pooling.
3. Use 64 filtros no segundo bloco convolucional e siga o bloco com o máximo de pooling.
4. Use 128 filtros no terceiro bloco convolucional e siga o bloco com o máximo de pooling.
5. Achatar os mapas de características extraídos.
6. Adicione uma camada densa com 512 unidades.
7. Solicite abandono com uma taxa de 0,5.
8. Use uma camada de saída sigmoide para classificação binária.
9. Inclua InceptionV3, ResNetV2, ResNet50 e DenseNet121 como arquiteturas de linha base comparativas.
   NOTA: Use o mesmo conjunto de dados binário curado e pipeline de pré-processamento para todas as comparações de linha de base sempre que aplicável.

6. Definir o modelo híbrido CNN-transformador

1. Use um módulo CNN como codificador local de funcionalidades.
2. Extraia a textura da lesão, as bordas e os padrões morfológicos locais com o componente CNN.
3. Use um módulo baseado em transformador como codificador de contexto.
4. Modele dependências espaciais mais amplas na representação aprendida com o componente transformador.
5. Projete os vetores de características CNN e transformador para a mesma dimensionalidade e funda-os por meio de adição elemento.
6. Mapeie a representação fundida para uma saída binária mpox versus Outro por meio de uma cabeça de classificação.
   NOTA: Informe a arquitetura híbrida no nível do módulo se o número de cabeças de atenção, dimensões de embedding e camadas transformadoras não estiver explicitamente disponível.

7. Processo de treinamento e prática de avaliação

1. Montar o classificador binário usando o modelo implementado com o otimizador Adam, perda binária de entropia cruzada e precisão como métrica principal de treinamento.
2. Treine o modelo de base claramente definido para 15 épocas no conjunto de dados curado mpox versus outros.
3. Realize todos os experimentos em um ambiente de deep learning baseado em Python em um sistema equipado com GPU, e resuma os recursos de software e o ambiente computacional generalizado na Tabela de Materiais.
4. Monitore as curvas de perda de treinamento e validação durante o treinamento, e calcule a precisão, precisão, recall, F1-score e AUC para cada modelo individual, quando disponível.
5. Interprete o desempenho do modelo enfatizando a consistência do comportamento de relatórios e generalização, e priorize um equilíbrio entre sensibilidade e especificidade em vez de valores de precisão de pico único.
6. Formule duas questões de avaliação para cada modelo: (i) quão bem o modelo se ajusta aos dados de treinamento e (ii) quão bem a representação aprendida se transfere para imagens de validação mantidas da mesma fonte selecionada.
   NOTA: Apresente esses dois aspectos explicitamente no manuscrito para distinguir a capacidade representacional da generalização útil.
7. Interprete alta precisão no treinamento como evidência de capacidade representacional suficiente, e interprete desempenho alto e estável em validação como o indicador mais significativo de uma generalização útil.

8. Análises experimentais

1. Relate apenas resultados que sejam diretamente apoiados pelos resultados registrados e evite extrapolar além das evidências documentadas.
2. Declare explicitamente limitações sempre que a informação de validação esteja ausente ou quando uma tabela refleta uma estrutura de classes diferente.
3. Trate a tarefa de classificação binária mpox versus outros como a análise principal e use-a como referência interna para todos os experimentos.
4. Traduza o código original de implementação em um protocolo narrativo e na Tabela 2 , de modo que o conjunto de dados, o ambiente de software, as famílias de modelos e a configuração de treinamento sejam resumidos de forma concisa para reprodutibilidade.
5. Generalize as descrições de hardware e software para que o foco permaneça na reprodutibilidade metodológica, e não em uma única plataforma específica para cada fornecedor.
6. Os resultados apresentam modelo a modelo na mesma sequência em que as arquiteturas são introduzidas, para simplificar a comparação do comportamento de treinamento, comportamento de validação e completude de relatórios.
7. Descreva a linha de base da CNN Sequencial como alcançando desempenho de validação interna muito alto, alertando que isso pode refletir características favoráveis de divisão e pode não generalizar externamente.
8. Interprete o modelo sequencial como uma referência interna forte, e não como uma demonstração definitiva de robustez diagnóstica implantável.
9. Justifique manter painéis separados do InceptionV3 porque trajetórias de perda e precisão juntas revelam otimização eficaz do treinamento, mas comportamento de validação inconsistente.
10. Descreva o ResNetV2 como uma linha de base informativa, mas parcialmente relatada, pois métricas de validação comparáveis não estavam disponíveis.
11. Trate o experimento multiclasse ResNet50 como evidência suplementar distinta do benchmark binário primário.
12. Interprete o DenseNet121 como um benchmark intermediário com desempenho competitivo, mas não dominante, no subconjunto binário relatado.
13. Descreva o híbrido CNN-transformador como alcançando discriminação de classes equilibrada, em vez de um ganho unilateral em uma única métrica.
14. Evite reivindicar superioridade universal do modelo híbrido sobre todas as linhas de base porque alguns modelos foram avaliados sob condições de reporte diferentes.
15. Posicione o modelo híbrido como um compromisso promissor entre alto desempenho de validação e equilíbrio métrico, e recomende avaliações adicionais em benchmarks padronizados testados externamente.

Resultados

Comparação além da precisão das manchetes

Esses resultados mostram que comparações de modelos na análise de imagens médicas devem focar não apenas na precisão das manchetes, mas também no comportamento das arquiteturas em relação a diversas métricas e diferentes contextos experimentais. Durante os experimentos, os modelos não se comportaram de forma semelhante: a simples CNN Sequencial teve desempenho extremamente alto na divisão interna de va...

Discussão

O principal resultado do estudo é que a classificação binária de lesões de mpox versus lesões visualmente semelhantes, chamada classificação automatizada, é possível com o conjunto de dados curado utilizado neste estudo, mas tal sucesso depende em grande parte da interpretação da^{evidência 27}. Separando adequadamente os experimentos, o manuscrito apresenta evidências de que tanto arquiteturas híbridas convencionais quanto propostas podem ser usadas para realizar fo...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Conjunto de dados	Conjunto de dados curados de imagens mpox; 2.280 imagens para o benchmark binário principal (1.020 mpox e 1.260 Outros)	Fonte de treinamento primário e validação interna
Definição da tarefa	Classificação binária para o estudo principal; Resumos suplementares multiclasse e ampliados mantidos separadamente	Garante uma interpretação consistente das métricas reportadas
Ambiente de programação	Fluxo de trabalho de cadernos baseado em Python	Tratamento de dados, treinamento de modelos e plotagem
Estrutura de aprendizado profundo	Implementação do TensorFlow / Keras reportada no código enviado	Desenvolvimento e otimização de modelos
Utilitários de imagem	ImageDataGenerator com reescalonamento e aumento; plotando bibliotecas para curvas de treinamento	Pré-processamento, aumento e relatórios visuais
Arquiteturas de linha base	CNN Sequencial, InceptionV3, ResNetV2, ResNet50, DenseNet121	Benchmarking comparativo
Arquitetura proposta	Classificador híbrido CNN-transformador	Contribuição metodológica primária
Ambientes de treinamento	Tamanho de entrada 150 x 150; tamanho do lote 32; otimizador Adam; entropia cruzada binária; 15 épocas reportadas para o código de referência fornecido	Reprodutibilidade do fluxo de trabalho central
Ambiente de computação	sistema computacional habilitado por GPU; Detalhes do hardware generalizados na narrativa	Aceleração do modelo durante o treinamento