Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/33502
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2022_RafaelSilvaDeAlencar.pdf3,31 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorBorges, Díbio Leandro-
dc.contributor.authorAlencar, Rafael Silva de-
dc.identifier.citationALENCAR, Rafael Silva de. Detecção de anomalias em imagens de raio-x com aprendizagem não supervisionada. 2022. xi, 23 f., il. Trabalho de conclusão de curso (Bacharelado em Ciência da Computação) — Universidade de Brasília, Brasília, 2022.pt_BR
dc.descriptionTrabalho de conclusão de curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2022.pt_BR
dc.description.abstractO uso de técnicas de inteligência artificial é importante para aplicações no campo da medicina, auxiliando o processo de diagnóstico médico de diversos pacientes. No que diz respeito a imagens médicas, o diagnóstico a partir de radiografías requer o conhecimento técnico de profissionais especializados sobre a área, que são treinados durante anos até obter o nível de expertise necessário para avaliar imagens de raios-x. Além disso, as imagens por si só as vezes não são suficientes para que o profissional de saúde encontre um diagnóstico definitivo, fazendo com que informações adicionais sejam levantadas, como o histórico do paciente e familiar. Todas essas caractéristicas encarecem o processo de obtenção de rótulos para uma base de dados extensa, o que dificulta a aplicação de uma abordagem supervisionada para classificar imagens. Este trabalho aplica técnicas de aprendizagem de máquina utilizando a abordagem não supervisionada para classificar imagens de raios-x, em que diferentes métodos são treinados em imagens que não apresentam anomalias e que podem auxiliar médicos a avaliar imagens de raios-x. Diferentes experimentos foram produzidos e comparados a fim de verificar qual técnica não supervisionada é a mais satisfatória. Ao fim do experimento foi possível criar uma arquitetura genérica para classificar imagens de raios-x como sendo anomalas ou não, com os resultados da ROC-AUC em 0.547 com D Discrimator probability e 0.533 com MSE Mean Squared Error.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordRaios Xpt_BR
dc.subject.keywordAprendizado de máquinapt_BR
dc.subject.keywordDiagnóstico por imagempt_BR
dc.titleDetecção de anomalias em imagens de raio-x com aprendizagem não supervisionadapt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2023-02-14T19:57:49Z-
dc.date.available2023-02-14T19:57:49Z-
dc.date.submitted2022-09-15-
dc.identifier.urihttps://bdm.unb.br/handle/10483/33502-
dc.language.isoPortuguêspt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.pt_BR
dc.description.abstract1Artificial intelligence techniques is important for applications in the field of medicine, helping the process of medical diagnosis of several patients. With regard to medical imaging, diagnosis from radiographs requires the technical knowledge of specialized professionals, who are trained for years to obtain the level of expertise necessary to evaluate x-rays images. In addition, sometimes only images are not sufficent to correctly diagnose a pacient, requiring adicional information such as the patient’s and family history. These characteristics makes the process of obtaing labels more expensive for an extensive database, which makes it difficult to apply a supervised learning method to classify images. This work applies machine learning tecniques using unsupervised learning approches in order to classify x-rays images, diffent methods are trained on images without anomalies, and can be used to assist doctors in evaluating x-rays images. Different techniques were tested and compared with the objective in verifying which one is better suited. In the end, it was possible to build a generic architecture that classifies x-rays imagens in two categories, with anomaly or without anomaly. The results found based on ROC-AUC were 0.547 with D Discriminator probability and 0.533 with MSE Mean Squared Error.pt_BR
Aparece na Coleção:Ciência da Computação



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.