Aprendizado profundo para auxiliar a detecção de COVID-19 baseado em imagens de raio-x de tórax: uma abordagem prática

Premebida, Sthefanie Monica; Camargo, Thiago Fellipe Ortiz de

Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/29086

Registro completo de metadados

Campo DC	Valor	Idioma
dc.creator	Premebida, Sthefanie Monica	-
dc.creator	Camargo, Thiago Fellipe Ortiz de	-
dc.date.accessioned	2022-07-12T17:14:28Z	-
dc.date.available	2022-07-12T17:14:28Z	-
dc.date.issued	2021-12-09	-
dc.identifier.citation	PREMEBIDA, Sthefanie Monica; CAMARGO, Thiago Fellipe Ortiz de. Aprendizado profundo para auxiliar a detecção de COVID-19 baseado em imagens de raio-x de tórax: uma abordagem prática. 2021. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2021.	pt_BR
dc.identifier.uri	http://repositorio.utfpr.edu.br/jspui/handle/1/29086	-
dc.description.abstract	Given the large number of COVID-19 cases around the world, a practical solution to reduce and alleviate the patient queue in hospitals and healthcare systems is welcome. Fast and reliable diagnostics based on technological tools can help medical professionals to manage this bottleneck situation. In this work, we propose a practical methodology using deep learning to detect and classify lungs affected by COVID-19 through chest x-ray imaging. RetinaNet architecture is used in the process. This architecture is a onestage detector combined with Focal Loss. We considered a dataset with 5000 images, 2000 to train the model, 1000 to validate, and 2000 to test the model. The results obtained show a recall score of 0.99, precision of 0.99, sensibility of 0.56, and mAP of 0.81. The high recall score implicates that a patient with COVID-19 will be classified correctly.	pt_BR
dc.language	por	pt_BR
dc.publisher	Universidade Tecnológica Federal do Paraná	pt_BR
dc.rights	openAccess	pt_BR
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	pt_BR
dc.subject	Exame pelo raio X	pt_BR
dc.subject	Diagnóstico	pt_BR
dc.subject	Pulmões - Doenças - Diagnóstico	pt_BR
dc.subject	Expertising, X-ray	pt_BR
dc.subject	Diagnosis	pt_BR
dc.subject	Lungs - Diseases - Diagnosis	pt_BR
dc.title	Aprendizado profundo para auxiliar a detecção de COVID-19 baseado em imagens de raio-x de tórax: uma abordagem prática	pt_BR
dc.title.alternative	Deep learning to assist COVID-19 detection based on chest x-ray images: practical methodology	pt_BR
dc.type	bachelorThesis	pt_BR
dc.description.resumo	Dado o grande número de casos COVID-19 em todo o mundo, uma solução prática para reduzir e aliviar a fila de pacientes em hospitais e sistemas de saúde é bem-vinda. Diagnósticos rápidos e confiáveis baseados em ferramentas tecnológicas podem ajudar os profissionais da medicina a administrar essa situação de gargalo. Neste trabalho, propomos uma metodologia prática usando aprendizado profundo (deep learning) para detectar e classificar os pulmões afetados por COVID-19 por meio de imagens de raio-x de tórax. A arquitetura RetinaNet é utilizada no processo. Esta arquitetura é um detector de um estágio combinado com a focal loss. Consideramos um conjunto de dados com 5000 imagens, sendo 2000 para treinamento, 1000 para validação e 2000 para teste. Os resultados obtidos mostram um escore de especificidade de 0.99, precisão de 0.99, sensitividade de 0.56 e mAP de 0.81. A alta pontuação de especificidade implica que um paciente com COVID-19 tem alta probabilidade de ser diagnosticado corretamente.	pt_BR
dc.degree.local	Ponta Grossa	pt_BR
dc.publisher.local	Ponta Grossa	pt_BR
dc.contributor.advisor1	Martins, Marcella Scoczynski Ribeiro	-
dc.contributor.advisor-co1	Gonçalves, Cristhiane	-
dc.contributor.referee1	Martins, Marcella Scoczynski Ribeiro	-
dc.contributor.referee2	Correa, Fernanda Cristina	-
dc.contributor.referee3	Reis, Marcio Rodrigues da Cunha	-
dc.contributor.referee4	Sola, Antonio Vanderley Herrero	-
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Departamento Acadêmico de Engenharia Elétrica	pt_BR
dc.publisher.program	Engenharia Elétrica	pt_BR
dc.publisher.initials	UTFPR	pt_BR
dc.subject.cnpq	CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA	pt_BR
Aparece nas coleções:	PG - Engenharia Elétrica

Arquivos associados a este item:

Arquivo	Descrição	Tamanho	Formato
aprendizadoprofundodeteccaocovid.pdf		1,94 MB	Adobe PDF	Visualizar/Abrir

Mostrar registro simples do item Recomendar este item Visualizar estatísticas

Este item está licenciada sob uma Licença Creative Commons