Classificação de imagens de CT de tórax no contexto da COVID-19
Esta dissertação aborda o desenvolvimento de métodos computacionais para melhorar o acompanhamento de pacientes com COVID-19 por meio de tomografias computadorizadas (CT) de tórax. Enquanto abordagens tradicionais de aprendizado profundo se concentram na classificação de fatias isoladas e carecem de...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2025 |
| País: | Brasil |
| Institución: | Universidade de São Paulo (USP) |
| Repositorio: | Biblioteca Digital de Teses e Dissertações da USP |
| Idioma: | portugués |
| OAI Identifier: | oai:teses.usp.br:tde-23042025-171642 |
| Acceso en línea: | https://www.teses.usp.br/teses/disponiveis/45/45134/tde-23042025-171642/ |
| Access Level: | acceso abierto |
| Palabra clave: | Chest CT COVID-19 CT de tórax Deep-learning |
| Sumario: | Esta dissertação aborda o desenvolvimento de métodos computacionais para melhorar o acompanhamento de pacientes com COVID-19 por meio de tomografias computadorizadas (CT) de tórax. Enquanto abordagens tradicionais de aprendizado profundo se concentram na classificação de fatias isoladas e carecem de validação ampla em diferentes conjuntos de dados, esta pesquisa propõe o uso de agregadores para analisar o exame como um todo, explorando informações extraídas de modelos pré-treinados, como o COVIDNet. Os experimentos, realizados em diversos conjuntos de dados, incluindo um inédito do Hospital Universitário da USP (HU-USP), demonstraram que é possível alcançar alto desempenho com treinamento reduzido e sem a necessidade de segmentações manuais. Além disso, mostramos a viabilidade de reduzir a quantidade de fatias analisadas, o que pode viabilizar exames com menor exposição à radiação. Esses avanços destacam o potencial da inteligência artificial para tornar o acompanhamento da COVID-19 mais eficiente, adaptável e seguro para os pacientes. |
|---|