CovNet-UFCSPA: uma arquitetura baseada em Rede Neural Convolucional para auxílio ao diagnóstico de Pneumonia induzida pela COVID-19

Página do item simplificado
dc.contributor.advisorBecker, Carla Diniz Lopespt_BR
dc.contributor.advisor-coAlva, Thatiane Alves Pianoschipt_BR
dc.contributor.authorXavier, Nouara Cândidapt_BR
dc.contributor.departmentPrograma de Pós-Graduação em Tecnologias da Informação e Gestão em Saúdept_BR
dc.date.accessioned2025-11-07T20:45:54Z
dc.date.available2025-11-07T20:45:54Z
dc.date.date-insert2025-11-07
dc.date.issued2022-11-21
dc.descriptionDissertação (Mestrado) - Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde, Fundação Universidade Federal de Ciências da Saúde de Porto Alegre.pt_BR
dc.description.abstractA identificação rápida da COVID-19 em pacientes proporciona uma triagem adequada, podendo assim evitar o agravamento dos sintomas ocasionados pela doença. Esta pesquisa propõe a arquitetura CovNet-UFCSPA, composta por técnicas de pré-processamento de dados e CNN. Um total de 24 235 imagens foram utilizadas para treinamento, validação e teste do modelo. Técnicas de recorte, ECG e CLAHE foram utilizadas no pré-processamento das imagens. A arquitetura apresentou um recall DE 99% ao ser utilizada para classificar raios-x de paciente brasileiros do HCPA. A aplicação de CLAHE e retirada da região de interesse do raio-x trouxe uma melhoria na taxa de FN diminuindo de 187 para 9 os resultados de classificação do modelo. A arquitetura disponibilizou para os profissionais de saúde uma métrica de score e o mapa de calor das imagens testadas. Para análise de desempenho a arquitetura foi comparada com uma Resnet50 V2 e um Inception V3, os resultados demonstraram que a arquitetura CovNet-UFCSPA obteve as melhores taxas de FN e VP e o melhor recall.pt_BR
dc.description.abstract-enThe rapid identification of COVID-19 in patients provides adequate screening, thus preventing the worsening of symptoms caused by the disease. This research proposes the CovNet-UFCSPA architecture, composed of data pre-processing and CNN techniques. A total of 24 235 images were used for training, validating, and testing the model. Cropping, ECG, and CLAHE techniques were used in the pre-processing of the images. The architecture presented a recall DE 99% when used to classify x-rays of Brazilian HCPA patients. The application of CLAHE and removal of the region of interest from the x-ray brought an improvement in the FN rate, decreasing the classification results of the model from 187 to 9. The architecture provided healthcare professionals with a score metric and a heat map of the tested images. For performance analysis, the architecture was compared with a Resnet50 V2 and an Inception V3, the results showed that the CovNet-UFCSPA architecture obtained the best FN and VP rates and the best recall.en
dc.identifier.urihttps://repositorio.ufcspa.edu.br/handle/123456789/3419
dc.language.isopt_BRpt_BR
dc.relation.requiresTEXTO - Adobe Readerpt_BR
dc.rightsAcesso Aberto Imediatopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/br/
dc.subjectRedes Neurais Convolucionaispt_BR
dc.subjectAprendizado de Máquina por Reforçopt_BR
dc.subjectPneumoniapt_BR
dc.subjectCOVID-19pt_BR
dc.subject[en] Convolutional Neural Networksen
dc.subject[en] Reinforcement Machine Learningen
dc.subject[en] Pneumoniaen
dc.subject[en] COVID-19en
dc.titleCovNet-UFCSPA: uma arquitetura baseada em Rede Neural Convolucional para auxílio ao diagnóstico de Pneumonia induzida pela COVID-19pt_BR
dc.typeDissertaçãopt_BR
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
[DISSERTAÇÃO] Xavier, Nouara Cândida (C).pdf
Tamanho:
32.89 MB
Formato:
Adobe Portable Document Format
Descrição:
Texto Completo
Baixar
Coleções
PPGTIGSAU - Dissertações