PPGTIGSAU - Dissertações

URI Permanente para esta coleção

https://repositorio.ufcspa.edu.br/handle/123456789/1670

Navegar

Navegando PPGTIGSAU - Dissertações por Assunto "[en] Artificial Intelligence"

Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Item
    Um modelo baseado em redes neurais convolucionais para predição de malignidade de nódulos pulmonares a partir de imagens pré-processadas em MIP
    (Wagner Wessfll, 2021) Wunderlich, Ricardo; Becker, Carla Diniz Lopes; Alva, Thatiane Alves Pianoschi
    A Inteligência Artificial, mais precisamente o Deep Learning e as redes neurais convolucionais, estão sendo utilizadas para a detecção de nódulos pulmonares e outras doenças em exames de Raios X e principalmente Tomografia computadorizada. O presente trabalho teve como objetivo propor uma metodologia para predição de malignidade em nódulos pulmonares pré-processados em imagens em MIP, utilizando redes neurais convolucionais, em exames de tomografia computadorizada. As imagens oriundas do dataset LIDC-IDRI foram pré processadas em padrão MIP (máxima intensidade de projeção), manualmente em estação de trabalho, GE ADW 4.1utilizando a ferramenta de reformatação multiplanar. Tanto as imagens dos nódulos, no plano axial, como as imagens reformatadas em MIP foram utilizadas para treinamento e testes na rede neural convolucional ResNet-50, o treinamento foi supervisionado, foi utilizado o método de validação cruzada. O uso de imagens no padrão MIP, fornece informações suficientes para o treinamento de redes neurais, mas perde desempenho em relação as axiais, detectando características de borda. O valor de AUC médio para os 5 folds foi de 0,79 no MIP e de 0,74 no uso do MIP+axial e de 0,95 no axial.
  • Imagem de Miniatura
    Item
    Vigilância epidemiológica: uso de aprendizado de máquina na predição de surtos de Síndrome Respiratória Aguda Grave
    (Wagner Wessfll, 2022) Silva, Amauri Duarte da; Veiga, Ana Beatriz Gorini da; Gomes, Marcelo Ferreira da Costa
    Introdução: Surtos de Síndrome Respiratória Aguda Grave (SRAG) ocorrem anualmente em diversas regiões geográficas, com o período dos picos de notificação de casos de internação variando de região para região. Os gestores da saúde necessitam de ferramentas para planejamento de recursos adequados a cada temporada de SRAG. Objetivo: Com o uso de Aprendizado de Máquina (AM), gerar modelos para a predição de surtos de SRAG para um próximo período (ano). Método: Foram utilizados dados de notificação de casos de internação por SRAG no Brasil, do período de 2013 a 2021, excluindo casos de SRAG ocasionados por Covid-19. Esses dados foram preparados de forma a alimentar uma rede neural configurada para gerar modelos preditivos para séries temporais. A rede neural foi implementada com uma ferramenta de pipeline que permitiu, de forma rápida, a simulação de inúmeros modelos. Foram gerados modelos para as cinco regiões brasileiras, porém são destacados os modelos preditivos para as regiões Sul e Sudeste. A validação dos modelos gerados foi feita para diferentes anos de ocorrência de surtos de SRAG. Na validação de temporadas com menor número de períodos (anos), os modelos preditivos tiveram menor desempenho devido à menor quantidade de dados disponíveis para treinamento. Resultados: Com o uso de redes neurais foi possível gerar modelos preditivos que possibilitam predizer curvas com picos de SRAG, volume de casos por temporada e início do período pré epidêmico com boa qualidade (R² = 0,91, considerando a temporada observada de 2019). Conclusão: Mesmo com uma quantidade deficiente de dados é possível, com o uso de AM, gerar modelos preditivos para SRAG, contribuindo para medidas de controle de surtos e epidemias.