Aplicação de modelos de deep learning para a detecção do câncer de pulmão
Na América Latina, nos últimos anos, o câncer de pulmão emergiu como uma das principais causas de mortalidade. Segundo estimativas de 2023, no Brasil, esse tipo de câncer ocupa o terceiro lugar em incidência entre os homens e o quarto entre as mulheres. Essa problemática é agravada devido ao acesso...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2024 |
| País: | Brasil |
| Recursos: | Universidade Estadual Paulista (UNESP) |
| Repositorio: | Repositório Institucional da UNESP |
| Idioma: | portugués |
| OAI Identifier: | oai:repositorio.unesp.br:11449/255701 |
| Acesso em linha: | https://hdl.handle.net/11449/255701 |
| Access Level: | acceso abierto |
| Palavra-chave: | Deep learning Lung cancer Transfer learning Inception Xception Câncer de pulmão Aprendizado de transferência Aprendizado profundo Imagens médicas |
| Resumo: | Na América Latina, nos últimos anos, o câncer de pulmão emergiu como uma das principais causas de mortalidade. Segundo estimativas de 2023, no Brasil, esse tipo de câncer ocupa o terceiro lugar em incidência entre os homens e o quarto entre as mulheres. Essa problemática é agravada devido ao acesso limitado aos serviços de saúde, especialmente entre as pessoas em situação de pobreza, que são mais afetadas. Esse panorama apresenta um desafio significativo para a nossa sociedade. Com o objetivo de abordar essa questão, este estudo concentrou-se na avaliação do desempenho de cinco modelos diferentes de redes convolucionais aplicadas ao diagnóstico do câncer a partir de imagens médicas. Para isso, utilizou-se um conjunto de dados composto por tomografias computadorizadas de pulmões classificadas em três estados: maligno, benigno e normal. Utilizando a técnica de aprendizado de transferência, esses cinco modelos foram treinados e avaliados sob diferentes cenários (experimentos). Os resultados obtidos revelaram que o modelo InceptionV3 demonstrou o melhor desempenho em termos de precisão. Por outro lado, o modelo Xception alcançou uma precisão superior a 90% em seis de oito cenários avaliados. |
|---|