Year: 2023
Type: dissertation
Abstract: A aprendizagem de máquina revolucionou diversos campos do conhecimento, incluindo a área médica, ao melhorar significativamente o estado da arte de diversas aplicações. Uma aplicação de destaque é o processamento de imagens médicas utilizando redes neurais convolucionais. No entanto, a escassez de amostras ou dados médicos disponíveis dificulta a aplicação efetiva dessa técnica. Neste trabalho é proposto um método baseado em redes morfológicas profundas para a elaboração de uma ferramenta para software livre a fim de auxiliar no diagnóstico da hipertrofia adenoideana. A ferramenta utiliza redes morfológicas profundas para reconhecer quais frames (imagens) de um vídeos de exame de nasofibrolaringoscopia são ideias para o médico especialista determinar um diagnóstico de hipertrofia adenoideana. O processo de construção dessa ferramenta envolve as seguintes etapas: (1) Criação de um banco de exames de nasofibrolaringoscopia; (2) Criação de um dataset rotulado por um especialista; (3) Criação de um modelo baseado em redes morfológicas profundas; (4) Criação de um plugin para software livre ImageJ, utilizando o modelo proposto, que foi devidamente treinado e validado. O melhor modelo avaliado combina a arquitetura LeNet com operadores morfológicos, sua acurácia é superior a 95% com uma precisão acima de 90%. Por meio desse trabalho, espera-se contribuir para o avanço no diagnóstico de hipertrofia adenoideana, fornecendo aos médicos uma ferramenta eficaz e confiável baseada em aprendizagem de máquina.
Author: Martins, Guilherme Bueno
Language: Portuguese
Topic: AI in cancer detection
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7120877379