Por favor, use este identificador para citar o enlazar este ítem: http://www.monografias.ufop.br/handle/35400000/5262
Título : Comparação de diferentes arquiteturas de Deep Learning para a classificação de radiografias do tórax entre pacientes saudáveis e doentes.
Autor : Silva, Luís Felipe Schons
metadata.dc.contributor.advisor: Santana, Adrielle de Carvalho
Silva, Mateus Coelho
metadata.dc.contributor.referee: Santana, Adrielle de Carvalho
Silva, Mateus Coelho
Silva, Rodrigo Cesar Pedrosa
Luz, Eduardo José da Silva
Palabras clave : Redes neurais convolucionais
Radiografias torácicas
Inteligência artificial
Fecha de publicación : 2023
Citación : SILVA, Luis Felipe Schons. Comparação de diferentes arquiteturas de Deep Learning para a classificação de radiografias do tórax entre pacientes saudáveis e doentes. 2023. 59 f. Monografia (Graduação em Engenharia de Controle e Automação) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2023.
Resumen : A radiografia torácica é o exame de imagem mais utilizado na medicina, avaliando a saúde do paciente. No entanto, a interpretação das imagens pode ser subjetiva, complexa e demorada, podendo comprometer a detecção acurada e em tempo hábil de anomalias e doenças. Como resultado, a Inteligência Artificial tem sido cada vez mais utilizada como uma ferramenta promissora para melhorar a precisão e a eficiência do diagnóstico. Neste contexto, o objetivo deste estudo é discutir o uso de redes neurais convolucionais (CNN) para a classificação de radiografias torácicas com o intuito de detectar anormalidades em pacientes. A pesquisa investiga a possibilidade de utilizar as CNNs para auxiliar a tarefa de triagem, avaliando o desempenho de 10 modelos diferentes de arquitetura para classificar as radiografias de tórax em dois grupos: saudáveis e doentes. Os resultados mostram que redes neurais mais rasas, como VGG16 e AlexNet, obtiveram o desempenho superior em relação às mais profundas. Assim, o projeto identifica as melhores arquiteturas para estudos futuros e sugere que o algoritmo pode apoiar a avaliação médica, direcionando a atenção do profissional para a área de interesse e reduzindo o tempo de diagnóstico. Embora o trabalho seja promissor, o uso destas redes em radiografias torácicas apresenta alguns desafios, como a necessidade de aumentar a base de dados e diminuir a presença de ruído nos rótulos.
metadata.dc.description.abstracten: Chest radiography is the most commonly used imaging examination in medicine, assessing the patient’s health. However, image interpretation can be subjective, complex, and time-consuming, potentially compromising the detection of anomalies and diseases. As a result, Artificial Intelligence has been increasingly used as a promising tool to improve diagnostic accuracy and efficiency. In this context, the aim of this study is to discuss the use of convolutional neural networks (CNNs) for the classification of chest radiographs to detect abnormalities in patients. The research investigates the possibility of using CNNs to assist the screening task, evaluating the performance of 10 different architecture models to classify chest radiographs into two groups: healthy and sick. The results show that shallower neural networks, such as VGG16 and AlexNet, achieved superior performance compared to deeper ones. Thus, the project identifies the best architectures for future studies and suggests that the algorithm can support medical evaluation, directing the professional’s attention to the area of interest and reducing diagnosis time. Although the work is promising, the use of these networks in chest radiographs presents some challenges, such as the need to increase the database and reduce label noise presence.
URI : http://www.monografias.ufop.br/handle/35400000/5262
Aparece en las colecciones: Engenharia de Controle e Automação

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
MONOGRAFIA_ComparaçãoDiferentesArquiteturas.pdf1,52 MBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons