Please use this identifier to cite or link to this item: http://www.monografias.ufop.br/handle/35400000/6426
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorSantana, Adrielle de Carvalhopt_BR
dc.contributor.advisorSilva, Mateus Coelhopt_BR
dc.contributor.authorClemente, Thallys Augusto-
dc.date.accessioned2024-02-09T15:33:46Z-
dc.date.available2024-02-09T15:33:46Z-
dc.date.issued2024pt_BR
dc.identifier.citationCLEMENTE, Thallys Augusto. Inteligência computacional para auxílio no diagnóstico de alterações nas orelhas externa e média. 2024. 54. Monografia (Graduação em Engenharia de Controle e Automação) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2024.pt_BR
dc.identifier.urihttp://www.monografias.ufop.br/handle/35400000/6426-
dc.description.abstractA otoscopia digital é uma ferramenta valiosa na prática clínica, desempenhando um papel importante no auxílio ao diagnóstico rápido e preciso de alterações da orelha externa e interna no aparelho auditivo, contribuindo, assim, para uma melhor qualidade de cuidado e intervenção de saúde. Nesse cenário, a aplicação de Inteligência Artificial tem emergido como uma abordagem promissora para aprimorar a precisão e eficiência do auxílio a diagnóstico. Diante desse contexto, este estudo visa explorar o emprego de Redes Neurais Convolucionais (CNN) na classificação de imagens, com o objetivo de identificar alterações da orelha externa e interna dos pacientes. A pesquisa se propõe a investigar a capacidade das CNNs em auxiliar na triagem, avaliando o desempenho de diferentes arquiteturas em classificar as imagens em grupos distintos. Dessa forma, este projeto não apenas busca identifica as arquiteturas de CNN mais eficazes para estudos futuros, mas também sugere que tais algoritmos têm o potencial de apoiar a avaliação da área da saúde. Ao direcionar a atenção do profissional para áreas de interesse específicas nas imagens da orelha externa e interna, essa abordagem pode reduzir o tempo necessário para diagnósticos assertivos. Destacam-se os resultados notáveis obtidos pelas arquiteturas de CNN, com ênfase especial na convnext tiny. Esta arquitetura alcançou um F1 Score de 0.9637, especialmente ao lidar com a base de dados específica para otite. O recall de 0.9797 destaca a habilidade da convnext tiny em capturar quase todas as instâncias positivas de otite, enquanto a precisão de 0.9617 demonstra sua acurácia ao classificar casos positivos. Os resultados obtidos pela convnext tiny indicam a eficácia dessa arquitetura na identificação de diversos tipos de otite. No entanto, é crucial reconhecer a complexidade e diversidade das patologias auditivas. O desafio central é a compreensão de que um único modelo pode não ser uniformemente eficiente em diversas doenças do orelha média, sendo interessante investigar a classificação de outras patologias assim como o uso de diferentes bases de dados.pt_BR
dc.language.isopt_BRpt_BR
dc.subjectVisão computacionalpt_BR
dc.subjectInteligência computacionalpt_BR
dc.subjectRede neural convulocionalpt_BR
dc.subjectProcessamento de imagens médicaspt_BR
dc.subjectMachine learningpt_BR
dc.titleInteligência computacional para auxílio no diagnóstico de alterações nas orelhas externa e média.pt_BR
dc.typeTCC-Graduaçãopt_BR
dc.contributor.refereeSantana, Adrielle de Carvalhopt_BR
dc.contributor.refereeSilva, Mateus Coelhopt_BR
dc.contributor.refereeVasconcelos, Carla Aparecida dept_BR
dc.contributor.refereeSilva, Pedro Henrique Lopespt_BR
dc.description.abstractenDigital otoscopy is a valuable tool in clinical practice, playing an important role in aiding the rapid and accurate diagnosis of alterations in the external and internal ear within the auditory system, thus contributing to better quality of care and health intervention. In this scenario, the application of Artificial Intelligence has emerged as a promising approach to enhancing the accuracy and efficiency of diagnostic aid. Within this context, this study aims to explore the use of Convolutional Neural Networks (CNNs) in image classification, with the goal of identifying alterations in the external and internal ear of patients. The research aims to investigate the ability of CNNs to assist in screening, evaluating the performance of different architectures in classifying images into distinct groups. Thus, this project not only seeks to identify the most effective CNN architectures for future studies but also suggests that such algorithms have the potential to support health area assessment. By directing the professional's attention to specific areas of interest in external and internal ear images, this approach can reduce the time required for accurate diagnoses. Noteworthy results were achieved by CNN architectures, with special emphasis on the convnext tiny. This architecture achieved an F1 Score of 0.9637, especially when dealing with the specific otitis database. The recall of 0.9797 highlights the ability of convnext tiny to capture almost all positive instances of otitis, while the precision of 0.9617 demonstrates its accuracy in classifying positive cases. The results obtained by convnext tiny indicate the effectiveness of this architecture in identifying various types of otitis. However, it is crucial to recognize the complexity and diversity of auditory pathologies. The central challenge is understanding that a single model may not be uniformly efficient in various middle ear diseases, making it interesting to investigate the classification of other pathologies as well as the use of different databases.pt_BR
dc.contributor.authorID17.1.1541pt_BR
Appears in Collections:Engenharia de Controle e Automação

Files in This Item:
File Description SizeFormat 
MONOGRAFIA_InteligênciaComputacionalAuxilio.pdf5,66 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.