Por favor, use este identificador para citar o enlazar este ítem:
https://repositorio.ufu.br/handle/123456789/49515| ORCID: |  http://orcid.org/0009-0009-3047-784X |
| Tipo de documento: | Trabalho de Conclusão de Curso |
| Tipo de acceso: | Acesso Aberto |
| Título: | Modelo híbrido CNN-Transformer com descritores fractais para Ccassificação de imagens histológicas |
| Autor: | Inacio, Dalmo Scalon |
| Primer orientador: | Nascimento, Marcelo Zanchetta do |
| Primer miembro de la banca: | Escarpinati, Mauricio Cunha |
| Segundo miembro de la banca: | Silva, Renato Aparecido Pimentel da |
| Resumen: | A análise de imagens histopatológicas desempenha um papel fundamental no diagnóstico de lesões, sendo frequentemente utilizada para identificar diferentes graus de displasia na cavidade oral. No entanto, a interpretação dessas imagens pode ser um processo complexo e sujeito à variabilidade entre especialistas. Nesse contexto, os sistemas de diagnóstico auxiliado por computador têm sido investigados como ferramentas de apoio à análise de imagens médicas. Este trabalho apresenta uma investigação do uso de modelo híbrido que explora Vision Transformers e redes neurais convolucionais para investigar representações baseadas em geometria fractal para a classificação de lesões histológicas de displasia. Os experimentos foram conduzidos utilizando o banco de dados Oral Epithelium DB, que contém imagens histopatológicas classificadas em diferentes graus de displasia. Foram avaliadas diferentes representações das imagens, incluindo imagens histológicas originais, representações sequenciais e representações baseadas em Recurrence Plot (RecPlot). Os modelos foram treinados e avaliados em diferentes cenários de classificação binária entre as classes saudável e displasias leves, moderadas e severas. Os resultados obtidos indicam que as diferentes representações de imagem influenciam diretamente o desempenho dos modelos de classificação, demonstrando o potencial do uso combinado de técnicas de aprendizado profundo e descritores baseados em geometria fractal para a análise de imagens histopatológicas |
| Palabras clave: | Histopatologia Histopathology Aprendizado profundo Deep learning Geometria fractal Fractal geometry Vision Transformer Vision Transformer Classificação de imagens Image classification |
| Área (s) del CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO |
| Idioma: | por |
| País: | Brasil |
| Editora: | Universidade Federal de Uberlândia |
| Cita: | INACIO, Dalmo Scalon. Modelo híbrido CNN-Transformer com descritores fractais para classificação de imagens histológicas. 2026. 46 f. Trabalho de Conclusão de Curso (Bacharelado em Sistemas de Informação) – Universidade Federal de Uberlândia, Uberlândia, 2026. |
| URI: | https://repositorio.ufu.br/handle/123456789/49515 |
| Fecha de defensa: | 30-mar-2026 |
| Aparece en las colecciones: | TCC - Sistemas de Informação (Uberlândia) |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| ModeloHíbridoCNN-Transformer.pdf | Trabalho de Conclusão de Curso | 7.51 MB | Adobe PDF |  Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons
