Use este identificador para citar ou linkar para este item:
http://riu.ufam.edu.br/handle/prefix/6188
Tipo de documento: | Trabalho de Conclusão de Curso |
Título: | Detecção e localização de infecções pulmonares em radiografias utilizando redes neurais convolucionais e mapas de ativação de classe |
Título(s) alternativo(s): | Detection and localization of lung infections on radiographs using convolutional neural networks and class activation maps |
Autor(a): | Cavalcante, Josias Ben Ferreira |
Orientador(a): | Santos, Eulanda Miranda dos |
metadata.dc.contributor.referee1: | Pio, José Luiz de Souza |
metadata.dc.contributor.referee2: | Giusti, Rafael |
Resumo: | Neste trabalho busca-se utilizar redes neurais convolutivas e mapeamento de ativação de classes para realizar tarefas de detecção e localização de infecções decorrentes de pneumonia em radiografias do tórax do conjunto de dados RSNA Pneumonia Detection Challenge. Com esse objetivo, seguindo a metodologia de treinamento em duas etapas (FRID-ADAR, M. et al. 2021), foram implementadas duas arquiteturas de redes neurais convolutivas, ResNet50 e EfficientNet B2, utilizando os frameworks TensorFlow e Keras na linguagem de programação Python. Os resultados obtidos pelas duas arquiteturas foram comparados entre si através das métricas Acurácia (para a tarefa de detecção), Coeficiente de Similaridade de Dice e Intersecção sobre a União (para a tarefa de localização). Os resultados obtidos pela ResNet50 no conjunto de teste foi uma acurácia, Dice e IoU de 0.8607, 0.7860 e 0.6475, respectivamente; e os resultados obtidos pela EfficientNet B2 em acurácia, Dice e IoU foram 0.9474, 0.5748 e 0.4033, respectivamente. |
Resumo em outro idioma: | This work aims to use convolutional neural networks and class activation mapping to perform tasks of detection and localization of infections resulting from pneumonia in chest radiographs of the RSNA Pneumonia Detection Challenge dataset. In this way, following the two-step training methodology (FRID-ADAR, M. et al. 2021), two convolutional neural network architectures, ResNet50 and EfficientNet B2, were implemented using the TensorFlow and Keras frameworks in the Python programming language. The results obtained by the two architectures were compared using the metrics Accuracy (for the detection task), Dice Similarity Coefficient and Intersection over the Union (for the localization task). The results obtained by ResNet50 in the test set were an accuracy, Dice and IoU of 0.86079, 0.7860 and 0.6475, respectively; and the results obtained by EfficientNet B2 in accuracy, Dice and IoU were 0.94744, 0.5748 and 0.4033, respectively. |
Palavras-chave: | Pneumonia Detecção Localização Radiografia de tórax Aprendizado profundo Detection Localization |
Área de conhecimento - CNPQ: | CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO: TEORIA DA COMPUTACAO: COMPUTABILIDADE E MODELOS DE COMPUTACAO |
Idioma: | por |
País de publicação: | Brasil |
Faculdade, Instituto ou Departamento: | ICOMP - Instituto de Computação |
metadata.dc.publisher.course: | Engenharia da Computação - Bacharelado - Manaus |
Tipo de acesso: | Acesso Aberto |
URI: | http://riu.ufam.edu.br/handle/prefix/6188 |
Vocabulário controlado: | Diagnóstico por imagem Tórax - Radiografia Pulmões - Radiografia |
Aparece nas coleções: | Trabalho de Conclusão de Curso - Graduação - Engenharias |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
TCC_JosiasCavalcante.pdf | 7,64 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.