Navegando por Palavras-chave "EfficientNetB0"

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Item
    Acesso aberto (Open Access)
    Desenvolvimento de um método automatizado para classificação de pneumonia em imagens de raio-x via aprendizagem profunda
    (Universidade Federal de São Paulo, 2022-01-31) Santos, Matheus Augusto de Castro [UNIFESP]; Berton, Lilian [UNIFESP]; http://lattes.cnpq.br/9064767888093340; http://lattes.cnpq.br/7982631319824168
    Este trabalho tem como objetivo o desenvolvimento de um método automatizado para detecção de pneumonias, como a Covid-19, em pacientes por meio da análise de imagens radiográficas utilizando aprendizagem profunda. Atualmente, na área da saúde, uma grande quantidade de informações é gerada diariamente possibilitando a criação de ferramentas empregando os conceitos de Aprendizado de Máquina que auxiliam a tomada de decisão clínica dos profissionais. Além disso, devido ao cenário atual que estamos vivenciando por conta da pandemia de Covid-19, se tornou imprescindível o desenvolvimento de ferramentas que possam auxiliar no diagnóstico dessa nova doença. Como uma maneira de auxiliar o diagnóstico de pneumonia, neste projeto foram pesquisados conjuntos de imagens radiográficas da região torácica de pacientes com pneumonia, com Covid-19 e pacientes saudáveis. Essas imagens foram então utilizadas no treinamento de redes neurais convolucionais, como a VGG, ResNET50 e EfficientNet, de maneira a identificar se o indivíduo apresenta uma enfermidade, e em caso positivo diferenciar a Covid-19 das demais pneumonias. Por meio dos experimentos realizados com as redes foi possível alcançar resultados bastantes promissores. Na classificação ternária, as redes EfficentNet B0 e VGG16 alcançaram acurácias de 95% e 94%, respectivamente, utilizando o método holdout para avaliação. Já nos experimentos utilizando k-fold cross validation a VGG16 alcançou 93.9% de acurácia. Na validação utilizando um conjunto de imagens externo, as redes VGG16 e EfficientNet B0 obtiveram resultados equivalentes atingindo 95% de acurácia na classificação ternária.