Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/7093
Título: Desenvolvimento de um software de diagnóstico por imagem para detecção da doença de Crohn e retocolite usando aprendizado de máquina.
Autor(es): Lima, Arthur Silva
Orientador(es): Santos, Valéria de Carvalho
Membros da banca: Terra, Daniela Costa
Matos, Leonardo Nogueira
Santos, Valéria de Carvalho
Palavras-chave: Aprendizado de máquina
Inteligência Artificial
Doença de Crohn
Retocolite
Data do documento: 2024
Referência: LIMA, Arthur Silva. Desenvolvimento de um software de diagnóstico por imagem para detecção da doença de Crohn e retocolite usando aprendizado de máquina. 2024. 41 f. Monografia (Graduação em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2024.
Resumo: Este trabalho apresenta o desenvolvimento de um software baseado em aprendizado de máquina com o objetivo de auxiliar no diagnóstico diferencial entre Doença de Crohn e Retocolite Ulcerativa, utilizando imagens colonoscópicas. O software foi implementado em Python e utiliza o algoritmo de Florestas Aleatórias (Random Forest), combinado com técnicas de pré-processamento de imagens e Análise de Componentes Principais (PCA) para reduzir a dimensionalidade dos dados. A base de dados utilizada no treinamento do modelo foi composta por imagens de colonoscopia, abrangendo casos confirmados de Crohn, Retocolite e intestinos saudáveis. O pré-processamento incluiu técnicas de rotação, espelhamento e normalização para aumentar a variabilidade e melhorar a robustez do modelo. Além disso, uma pipeline de processamento foi projetada para garantir que as imagens sejam analisadas de maneira eficiente. Os resultados obtidos mostraram uma acurácia média de 99,36% após a otimização dos hiperparâmetros do modelo. Além disso, o software desenvolvido inclui uma interface gráfica amigável e simples.
Resumo em outra língua: This work presents the development of software based on machine learning aimed at assisting in the differential diagnosis between Crohn's Disease and Ulcerative Colitis using colonoscopic images. The software was implemented in Python and uses the Random Forest algorithm, combined with image preprocessing techniques and Principal Component Analysis (PCA) to reduce data dimensionality. The dataset used for training the model consisted of colonoscopy images, covering confirmed cases of Crohn's Disease, Ulcerative Colitis, and healthy intestines. The preprocessing included techniques such as rotation, mirroring, and normalization to increase variability and improve model robustness. Furthermore, a processing pipeline was designed to ensure that the images are analyzed efficiently. The results showed an average accuracy of 99.36% after the optimization of the model's hyperparameters. Additionally, the developed software includes a user-friendly and simple graphical interface.
URI: http://www.monografias.ufop.br/handle/35400000/7093
Aparece nas coleções:Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_DesenvolvimentoSoftwareDiagnostico.pdf1,22 MBAdobe PDFVisualizar/Abrir


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