Becker, Carla Diniz LopesXavier, Nouara Cândida2025-11-072025-11-072022-11-21https://repositorio.ufcspa.edu.br/handle/123456789/3419Dissertação (Mestrado) - Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde, Fundação Universidade Federal de Ciências da Saúde de Porto Alegre.A 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-BRAcesso Aberto ImediatoRedes Neurais ConvolucionaisAprendizado de Máquina por ReforçoPneumoniaCOVID-19[en] Convolutional Neural Networks[en] Reinforcement Machine Learning[en] Pneumonia[en] COVID-19Dissertação