1. Repositório Institucional - Universidade Federal de Uberlândia
  2. Faculdade de Computação (FACOM)
  3. TCC - Sistemas de Informação (Monte Carmelo)
Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/49740
Full metadata record
DC FieldValueLanguage
dc.creatorSuenari, Davi Muller-
dc.date.accessioned2026-08-24T12:05:16Z-
dc.date.available2026-08-24T12:05:16Z-
dc.date.issued2025-05-05-
dc.identifier.citationSUENARI, Davi Muller. Diagnóstico de Alzheimer baseado em imagens de ressonância magnética utilizando redes convolucionais. 2025. 41 f. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) – Universidade Federal de Uberlândia, Monte Carmelo, 2025.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/49740-
dc.languageporpt_BR
dc.language.isopt_BRpt_BR
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nd/3.0/us/*
dc.subjectAlzheimerpt_BR
dc.subjectResNetpt_BR
dc.subjectRessonância Magnéticapt_BR
dc.subjectMagnetic Resonancept_BR
dc.subjectAnálise de parâmetrospt_BR
dc.subjectParameter analysispt_BR
dc.subjectbase de dados públicapt_BR
dc.subjectpublic databasept_BR
dc.titleDiagnóstico de Alzheimer baseado em imagens de ressonância magnética utilizando redes convolucionaispt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor1Caetano, Daniel Stefany Duarte-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/8584154563547427pt_BR
dc.contributor.referee1Silva, Thiago Henrique Pereira-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/3301985425227294pt_BR
dc.contributor.referee2Oliveira, Daniele Carvalho-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/0858402708122364pt_BR
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoNos últimos anos tem se observado a crescente prevalência de doenças como diabetes, doenças cardíacas e demência, assim como a doença de Alzheimer que se detectadas pre viamente, permite a adoção de diferentes procedimentos terapêuticos que reduzem a sua evolução. Diante dos desafios dos diagnósticos tradicionais, especialmente para o Alzhei mer, estudos apontam que as análise de imagens Ressonância magnética (RM) e sinais do Eletroencefalograma (EEG) tem se apresentadas como alternativas, no entanto apre sentam limitações quanto a sua eficiência. Porém, a Inteligência Artificial (IA) vem se destacando como uma ferramenta crucial na medicina aprimorando o diagnóstico e trata mento dessas doenças. Entretanto, vários são os desafios encontrados no aprimoramento da eficiência dos algoritmos aplicados, exigindo ajustes nos componentes estruturais dos algoritmos além de diferenciadas técnicas de pré-processamento, quando estas ultimas não permitem um aumento no reconhecimento dos padrões de Alzheimer. Diante disso, este trabalho propõe a análise dos parâmetros de acurácia, perda, número de camadas, épocas e taxa de aprendizado na arquitetura ResNet 3x3 e 5x5, aplicada a um banco de dados público de imagens de MRI. Como principal métrica de avaliação, utilizou-se a acurácia, alcançando um melhor resultado de 50% com a ResNet 5x5, utilizando 20 camadas, 100 épocas e uma taxa de aprendizado de 0.1.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseSistemas de Informaçãopt_BR
dc.sizeorduration41pt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO::SOFTWARE BASICOpt_BR
Appears in Collections:TCC - Sistemas de Informação (Monte Carmelo)

Files in This Item:
File Description SizeFormat 
DiagnósticoAlzheimerBaseado.pdfTCC2.67 MBAdobe PDFThumbnail
View/Open
Show simple item record


This item is licensed under a Creative Commons License Creative Commons