Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/123456789/3508| Título: | Deep learning para a detecção e classificação de pneumonia por radiografias do tórax |
| Título(s) alternativo(s): | Deep learning for the detection and classification of pneumonia by radiography of the chest |
| Autor(es): | SOUSA, Gabriel Garcez Barros |
| Palavras-chave: | Pneumonia Rede neural convolucional Radiografia Detecção Classificação Pneumonia Convolutional neural network Radiography Detection Classification |
| Data do documento: | 18-Dez-2018 |
| Editor: | Universidade Federal do Maranhão |
| Resumo: | Um dos exames mais comuns realizados em hospitais é a radiografia do tórax. Do resultado deste exame podem ser diagnosticadas muitas doenças, como a Pneumonia, que é a doença mais mortífera em crianças. Neste contexto, o principal objetivo deste trabalho é propor um modelo de rede neural convolucional que realiza a detecção e classificação desta doença através da radiografia do tórax. A arquitetura da rede neural convolucional é automaticamente gerada por meio de otimização de hiperparâmetros. As redes geradas foram treinadas e validadas em uma base de imagens de radiografias que apresentam casos de pneumonia por vírus e por bactéria. A melhor arquitetura encontrada para a detecção resultou em uma acurácia de 95.3% e AUC de 94%, já a melhor rede para a classificação atingiu uma acurácia de 83.1% e AUC de 80%. |
| Descrição: | Abstract One of the most common exams done in hospitals is the chest radiograph. From the results of this exam, many illnesses can be diagnosed such as Pneumonia, which is deadliest illness for children. The main objective of this work is to propose a convolutional neural network model that performs the detection and classification of pneumonia through chest radiographs. The model’s architecture is automatically generated through optimization of hyperparameters. Generated models were trained and validated with an image base of chest radiographs presentating cases of viral and bacterial pneumonia. The best architecture found resulted in an accuracy of 95.3% and an AUC of 94%, while the best architecture for classification attained an accuracy of 83.1% and AUC of 80%. |
| URI: | http://hdl.handle.net/123456789/3508 |
| Aparece nas coleções: | TCCs de Graduação em Ciência da Computação do Campus do Bacanga |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| GABRIEL-SOUSA.pdf | Trabalho de Conclusão de Curso | 1,92 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.