Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/6370
Registro completo de metadados
Campo Dublin CoreValorIdioma
dc.contributor.advisorBianchi, Andrea Gomes Campospt_BR
dc.contributor.advisorMeira, Natália Fernanda de Castropt_BR
dc.contributor.authorBispo, Vitória Maria Silva-
dc.date.accessioned2024-01-19T13:43:13Z-
dc.date.available2024-01-19T13:43:13Z-
dc.date.issued2024pt_BR
dc.identifier.citationBISPO, Vitória Maria Silva. Geração de imagens citológicas sintéticas através de redes generativas adversárias. 2024. 39 f. Monografia (Graduação em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2024.pt_BR
dc.identifier.urihttp://www.monografias.ufop.br/handle/35400000/6370-
dc.description.abstractO câncer de colo de útero é o quarto mais frequente nas mulheres brasileiras. Por ser uma condição sem sintomas aparentes e de evolução gradual, muitas vezes passa despercebida. No entanto, apresenta um significativo potencial de recuperação quando tratada precocemente. Um poderoso aliado em prol desse objetivo é o diagnóstico assistido por computador, que utiliza modelos computacionais para detecção e classificação das informações das células por meio da abstração de padrões. Para assegurar a exatidão da classificação realizada, é necessário treinar o modelo com uma grande quantidade de dados. Nesse contexto, este trabalho tem como objetivo ampliar tanto a quantidade quanto a diversidade das amostras de datasets citológicos, incorporando imagens artificiais geradas por Redes Generativas Adversárias Convolucionais Profundas (Deep Convolutional Generative Adversarial Networks ou DCGANs). Para isso, dois modelos foram construídos: uma DCGAN padrão e uma pré-treinada a partir do ponto de partida da primeira. Por fim, o gerador foi exportado para que fosse possível gerar a quantidade de amostras sintéticas desejada. Adicionalmente, foi proposta a utilização de uma Rede Neural Convolucional (CNN), para investigar os impactos que o aumento de dados possui em uma rede classificadora. Os resultados apresentaram acurácia acima de 70% para o classificador, indicando que as imagens geradas possuem boa qualidade e podem representar células cervicais. No entanto, uma análise mais aprofundada com diversas redes e estratégias é essencial para obter uma compreensão abrangente e confiável das imagens geradas.pt_BR
dc.language.isopt_BRpt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectModelos generativospt_BR
dc.subjectRedes generativas adversárias convolucionais profundaspt_BR
dc.subjectAumento de conjunto de dadospt_BR
dc.subjectCâncer de colo de úteropt_BR
dc.titleGeração de imagens citológicas sintéticas através de redes generativas adversárias.pt_BR
dc.typeTCC-Graduaçãopt_BR
dc.contributor.refereeSilva, Mateus Coelhopt_BR
dc.contributor.refereeSilva, Pedro Henrique Lopespt_BR
dc.contributor.refereeBianchi, Andrea Gomes Campospt_BR
dc.contributor.refereeMeira, Natália Fernanda de Castropt_BR
dc.description.abstractenCervical cancer is the fourth most common cancer in brazilian women. It often goes unnoticed because it is a condition without apparent symptoms and of gradual evolution. However, it has a significant recovery potential when treated early. Computer-aided diagnosis is a powerful ally in favor of this objective, which uses computational models for the detection and classification of cell information through the abstraction of patterns. To ensure classification accuracy, training the model with a large amount of data is necessary. This work aims to increase the quantity and diversity of samples from cytological datasets, incorporating artificial images generated by Deep Convolutional Generative Adversarial Networks (DCGANs). Two models were developed: a standard DCGAN and one pre-trained from the starting point of the first. The second model generator was exported so that it was possible to generate the desired number of synthetic samples. Additionally, the use of a Convolutional Neural Network (CNN) was proposed to investigate the impacts that increased data has on a classifier network. The results showed an accuracy above 70% for the classifier, indicating that the generated images have good quality and can represent cervical cells. However, further analysis with various networks and strategies is essential to obtain a comprehensive and reliable understanding of the generated images.pt_BR
dc.contributor.authorID19.2.4109pt_BR
Aparece nas coleções:Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_GeracaoDeImagensSinteticas.pdfArtigo principal3,67 MBAdobe PDFVisualizar/Abrir


Os itens na BDTCC estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.