Use este identificador para citar ou linkar para este item: http://hdl.handle.net/123456789/6382
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.authorGOMES, Paulo Ricardo Andrade-
dc.date.accessioned2023-05-29T16:02:29Z-
dc.date.accessioned2023-05-29T16:02:39Z-
dc.date.available2023-05-29T16:02:29Z-
dc.date.available2023-05-29T16:02:39Z-
dc.date.issued2022-01-20-
dc.identifier.urihttp://hdl.handle.net/123456789/6382-
dc.description.abstractRESUMO: A pandemia originada em dezembro de 2019, na cidade de Wuhan, na China, trás até hoje efeitos colaterais de sua existência e manifestação pelo mundo inteiro. Atualmente, o vírus do COVID-19 já contaminou mais de 250 milhões de pessoas, e, dessas, mais de 5 milhões morreram acometidas pelo vírus por todo o mundo. Um ponto importante no combate a pandemia é a detecção da doença em pacientes que apresentam sintomas relacionados a ela. Imagens de raio-X do tórax podem ser importantes na detecção de patologias como a do próprio COVID-19, porém isso se torna um processo demorado e sujeito a variabilidade entre os especialistas. Assim sendo, este trabalho tem como objetivo propor um método automatizado capaz de auxiliar na detecção e diagnóstico do COVID 19 por meio das imagens de raio-X do tórax. O método proposto possui quatro etapas principais: (1) Aquisição de imagens por meio de bases públicas; (2) Pré-processamento e preparação das imagens; (3) Treinamento e aprendizado por transferência utilizando Redes residuais; (4) Classificação das imagens em COVID-19 ou não COVID-19, utilizando as redes ResNet50, ResNet101 e ResNet152. Após a realização dos experimentos, o método proposto conseguiu atingir resultados promissores. A rede ResNet50 conseguiu atingir uma acurácia de 99% e uma precisão de 98,5%, enquanto que a ResNet152 conseguiu atingir 98,5% de sensibilidade, a maior entre as 3, e ambas conseguiram atingir 98% de F1-score. A rede ResNet101 apresentou a pior performance dentre as 3, e ainda assim alcançou uma acurácia de 98%, uma precisão de 98%, uma sensibilidade de 96% e um F1-score de 96,5%. Neste estudo, foi mostrado que as redes residuais (ResNet), com auxílio de técnicas de pré-processamento na base e aprendizado por transferência, são eficientes e promissoras na tarefa de classificação de imagens médicas de raio-X como COVID-19 ou não COVID-19. O presente estudo oferece uma alternativa promissora para que a área médica possa enfrentar a pandemia do COVID-19.___ABSTRACT: The pandemic originated in December 2019, in the city of Wuhan, China, until today brings side effects of its existence and manifestation around the world. Currently, the COVID-19 virus has infected more than 250 million people, and of these, more than 5 million have died from the virus worldwide. An important point in combating the pandemic is the detection of the disease in patients who have symptoms related to it. Chest X-ray images can be important in detecting pathologies such as COVID-19 itself, but this becomes a time-consuming process and subject to variability among specialists. Therefore, this work aims to propose an automated method capable of assisting in the detection and diagnosis of COVID-19 through chest X-ray images. The proposed method has four main steps: (1) Image acquisition through public databases; (2) Pre-processing and preparation of images; (3) Training and transfer learning using residual networks; (4) Classification of images as COVID-19 or not COVID-19, using the ResNet50, ResNet101 and ResNet152 networks. After carrying out the experiments, the proposed method managed to achieve promising results. The ResNet50 network managed to achieve an accuracy of 99% and a precision of 98.5%, while the ResNet152 managed to achieve a sensitivity of 98.5%, the highest among the 3, and both managed to achieve 98% of F1-score. The ResNet101 network had the worst performance among the 3, but still achieved an accuracy of 98%, a precision of 98%, a sensitivity of 96% and a F1-score of 96.5% . In this study, it was shown that residual networks (ResNet), with the aid of pre-processing techniques applied to the base and transfer learning, are efficient and promising in the task of classifying medical X-ray images as COVID-19 or non-COVID-19. The present study offers a promising alternative for the medical field to face the COVID-19 pandemic.pt_BR
dc.language.isootherpt_BR
dc.publisherUniversidade Federal do Maranhãopt_BR
dc.subjectraio-x do tórax;pt_BR
dc.subjectcovid-19;pt_BR
dc.subjectpré-processamento;pt_BR
dc.subjectaprendizado por transferência;pt_BR
dc.subjectredes residuais;pt_BR
dc.subjectimagens médicas;pt_BR
dc.subjectchest x-ray;pt_BR
dc.subjectcovid-19;pt_BR
dc.subjectpre-processing;pt_BR
dc.subjectTransfer learning;pt_BR
dc.subjectresidual networks;pt_BR
dc.subjectmedical imaging.pt_BR
dc.titleDiagnóstico de COVID-19 em imagens de raios-X de tórax utilizando Redes neurais residuaispt_BR
dc.title.alternativeDiagnosis of COVID-19 on chest X-ray images using residual neural networkspt_BR
dc.typeOtherpt_BR
Aparece nas coleções:TCCs de Graduação em Ciência da Computação do Campus do Bacanga
TCCs de Graduação em Ciência da Computação do Campus do Bacanga

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
PauloRicardoGomes.pdfTrabalho de Conclusão de Curso2,9 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.