Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/40220| Título: | Classificação de tumores do cérebro humano utilizando imagens de ressonância magnética e arquiteturas de aprendizado profundo |
| Título(s) alternativo(s): | Human brain tumor classification using images of magnetic resonance and deep learning architectures |
| Autor(es): | Zorel, Pedro Lavarda |
| Orientador(es): | Ascari, Rúbia Eliza de Oliveira Schultz |
| Palavras-chave: | Ressonância Magnética Cérebro - Tumores Processamento de imagens Aprendizado do computador Redes Neurais (Computação) Magnetic resonance Brain - Tumors Image processing Machine learning Neural networks (Computer science) |
| Data do documento: | 24-Nov-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Pato Branco |
| Citação: | ZOREL, Pedro Lavarda. Classificação de tumores do cérebro humano utilizando imagens de ressonância magnética e arquiteturas de aprendizado profundo. 2025. Trabalho de Conclusão de Curso (Tecnologia em Análise e Desenvolvimento de Sistemas) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2025. |
| Resumo: | Conforme a população e a expectativa de vida ao redor do mundo crescem, doenças como o câncer se tornam cada vez mais comuns. Pesquisas realizadas pelo Instituto Nacional de Câncer, indicam que apenas em 2022 foram registrados mais de 625 mil casos de câncer no Brasil, sendo 11 mil deles câncer do Sistema Nervoso Central. A detecção precoce tem um papel fundamental no tratamento dessa doença, e a maneira mais comum de se diagnosticar o câncer cerebral se dá pelas imagens de ressonância magnética; contudo, a análise dessas imagens demanda profissionais capacitados. Como forma de contribuir com o diagnóstico, trabalhos recentes exploram o uso de algoritmos de processamento de imagem e de Aprendizado de Máquina para auxiliar na detecção de tumores cerebrais humanos. Considerando esse contexto, este trabalho apresenta a criação de modelos baseados em redes neurais convolucionais e arquiteturas pré-treinadas ResNet e EfficientNet, para realizar a classificação automática de diferentes tipos de tumores cerebrais humanos. Diferentes configurações e arquiteturas foram avaliadas, e o modelo que apresentou melhor desempenho na detecção precoce do câncer cerebral foi o EfficientNet-B3, com uma acurácia de 98.56%. Contudo, em relação a desempenho e acurácia, o ResNet-50V2 se mostrou superior, utilizando menos poder computacional e conseguindo uma acurácia de 97.88%. Para o treinamento dos modelos, foram utilizadas técnicas de pré-processamento de imagens, com o intuito de melhorar os resultados do modelo e colaborar com a acuracia final dele. |
| Abstract: | As the population and life expectancy around the world increase, diseases like cancer are becoming increasingly common. Research conducted by the National Cancer Institute indicates that in 2022 alone, more than 625,000 cancer cases were registered in Brazil, 11,000 of which were Central Nervous System (CNS) cancer. Early detection plays a fundamental role in treating this disease, and the most common way to diagnose brain cancer is through magnetic resonance imaging (MRI); however, the analysis of these images requires trained professionals. As a way to contribute to diagnosis, recent studies explore the use of image processing and Machine Learning algorithms to assist in the detection of human brain tumors. Considering this context, this work presents the creation of models based on convolutional neural networks (CNNs) and pre-trained architectures, ResNet and EfficientNet, to perform the automatic classification of different types of human brain tumors. Different configurations and architectures were evaluated, and the model that showed the best performance in the early detection of brain cancer was EfficientNet-B3, with an accuracy of 98.56%. However, regarding the balance of performance and accuracy, ResNet-50V2 proved superior, using less computational power while achieving an accuracy of 97.88%. For training the models, image pre-processing techniques were used in order to improve the model’s results and contribute to its final accuracy. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/40220 |
| Aparece nas coleções: | PB - Tecnologia em Análise e Desenvolvimento de Sistemas |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| classificacaotumorescerebraisaruitetura.pdf | 4,09 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
