Publicação:
Classificação de lesões da cavidade bucal baseada em aprendizagem profunda em ambiente remoto

Página do item simplificado
dc.contributor.advisor1Nascimento, Marcelo Zanchetta do
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/5800175874658088pt_BR
dc.contributor.referee1Miani, Rodrigo Sanches
dc.contributor.referee1Latteshttp://lattes.cnpq.br/2992074747740327pt_BR
dc.contributor.referee2Silva, Adriano Barbosa
dc.contributor.referee2Latteshttp://lattes.cnpq.br/7862099925808472pt_BR
dc.creatorCarvalho, Rafael Henrique de Oliveira
dc.creator.Latteshttp://lattes.cnpq.br/9870312264865054pt_BR
dc.date.accessioned2022-03-29T15:01:01Z
dc.date.available2022-03-29T15:01:01Z
dc.date.issued2021-06-15
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoA displasia epitelial oral é um precursor relativamente comum do câncer de boca em que sua progressão para o câncer varia de 6% a 36%. Existem várias técnicas de imagem empregadas em seu diagnóstico. A análise histológica de imagens suportada pelos sistemas computacionais mostrou-se bastante eficaz no diagnóstico da doença. Neste trabalho, é apresentada uma abordagem para quantificar e classificar amostras de tecido bucal com uso de redes neurais convolucionais (AlexNet, Vgg16 e ResNet) e transferência de aprendizado. A transferência de aprendizado utilizada foi a baseada em rede, em que se emprega a reutilização de uma parte da rede pré-treinada no domínio da fonte, para aplicação no domínio destino. Devido ao tamanho do banco de imagens, aplicou-se uma etapa de aumento de dados para avaliar a acurácia das arquiteturas das redes. Definiu-se 30% das imagens, aleatoriamente selecionadas, para o grupo de teste e dentre 70% restantes, 90% ficariam para o grupo de treinamento e outros 10% para a validação. Ao final do treinamento obteve-se resultados relevantes, atingindo 96,56% de acurácia com a ResNet18 e 94,33% com a VGG16. Esse estudo ainda apresenta uma aplicação para dispositivos móveis para disponibilizar ao usuário um meio de classificar imagens histológicas. Essa aplicação é composta por um bot do Telegram e algoritmos em linguagem MatLab para as execução das CNNs. Levando em consideração o contexto pandêmico da COVID-19, esses resultados são considerados relevantes e essa abordagem pode ser útil como um protocolo que contribuirá na análise de diagnóstico de lesões da cavidade oral.pt_BR
dc.description.sponsorshipCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superiorpt_BR
dc.identifier.citationCARVALHO, Rafael Henrique de Oliveira. Classificação de lesões da cavidade bucal baseada em aprendizagem profunda em ambiente remoto. Trabalho de Conclusão de Curso (Graduação em Engenharia Mecatrônica) – Universidade Federal de Uberlândia, Uberlândia, 2021.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/34391
dc.languageporpt_BR
dc.orcid.putcode110612021
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseEngenharia Mecatrônicapt_BR
dc.rightsAcesso Abertopt_BR
dc.sizeorduration50pt_BR
dc.subjectTelegrampt_BR
dc.subjectImagens histológicaspt_BR
dc.subjectCavidade oralpt_BR
dc.subjectCNNspt_BR
dc.subjectTransferência de aprendizadopt_BR
dc.subjectDispositivos móveispt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::SISTEMAS DE INFORMACAOpt_BR
dc.titleClassificação de lesões da cavidade bucal baseada em aprendizagem profunda em ambiente remotopt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dspace.entity.typePublication

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
ClassificaçãoLesõesCavidade.pdf
Tamanho:
5.52 MB
Formato:
Adobe Portable Document Format
Descrição:
Trabalho de Conclusão de Curso
Baixar

Licença do pacote

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1.75 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

TCC - Engenharia Mecatrônica