1. Repositório Institucional - Universidade Federal de Uberlândia
  2. Faculdade de Computação (FACOM)
  3. TCC - Sistemas de Informação (Uberlândia)
Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.ufu.br/handle/123456789/49515
Registro completo de metadatos
Campo DCValorLengua/Idioma
dc.creatorInacio, Dalmo Scalon-
dc.date.accessioned2026-08-13T16:20:57Z-
dc.date.available2026-08-13T16:20:57Z-
dc.date.issued2026-03-30-
dc.identifier.citationINACIO, 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.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/49515-
dc.description.sponsorshipPesquisa sem auxílio de agências de fomentopt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.subjectHistopatologiapt_BR
dc.subjectHistopathologypt_BR
dc.subjectAprendizado profundopt_BR
dc.subjectDeep learningpt_BR
dc.subjectGeometria fractalpt_BR
dc.subjectFractal geometrypt_BR
dc.subjectVision Transformerpt_BR
dc.subjectVision Transformerpt_BR
dc.subjectClassificação de imagenspt_BR
dc.subjectImage classificationpt_BR
dc.titleModelo híbrido CNN-Transformer com descritores fractais para Ccassificação de imagens histológicaspt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor1Nascimento, Marcelo Zanchetta do-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/5800175874658088pt_BR
dc.contributor.referee1Escarpinati, Mauricio Cunha-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/5939941255055989pt_BR
dc.contributor.referee2Silva, Renato Aparecido Pimentel da-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/5178445891550640pt_BR
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoA 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 histopatológicaspt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseSistemas de Informaçãopt_BR
dc.sizeorduration46pt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAOpt_BR
dc.orcid.putcode223700533-
Aparece en las colecciones:TCC - Sistemas de Informação (Uberlândia)

Ficheros en este ítem:
Fichero Descripción TamañoFormato 
ModeloHíbridoCNN-Transformer.pdfTrabalho de Conclusão de Curso7.51 MBAdobe PDFVista previa
Visualizar/Abrir
Mostrar el registro sencillo del ítem


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons