Técnicas de inteligência artificial para diagnóstico de Acidente Vascular Cerebral através de imagens e dados textuais sobre possíveis vítimas

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorPereira, Clayton Reginaldo-
Autor(es): dc.contributorUniversidade Estadual Paulista (UNESP)-
Autor(es): dc.creatorPilan, Vinícius de Paula-
Data de aceite: dc.date.accessioned2025-08-21T21:24:34Z-
Data de disponibilização: dc.date.available2025-08-21T21:24:34Z-
Data de envio: dc.date.issued2023-01-29-
Data de envio: dc.date.issued2023-01-29-
Data de envio: dc.date.issued2023-01-18-
Fonte completa do material: dc.identifierhttp://hdl.handle.net/11449/239117-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/239117-
Descrição: dc.descriptionO Acidente Vascular Cerebral (AVC) é uma das doenças que mais matam e incapacitam no mundo todo e quanto mais tardio é o seu diagnóstico, maiores podem ser os prejuízos para a vítima. Portanto, formas de agilizar e auxiliar o processo de diagnóstico da doença podem ser bastante relevantes e benéficas. Este trabalho abordou essa questão, aplicando técnicas de Aprendizado de Máquina e Aprendizagem Profunda, sendo ambas subáreas da Inteligência Artificial, a qual vem sendo amplamente aplicada em diversos segmentos na busca de otimizar tarefas, principalmente no diagnóstico de doenças. Modelos classificadores de fatores de risco foram criados a partir da aplicação dos modelos de Regressão Logística e Floresta Aleatória, assim como uma Rede Neural Convolucional (CNN) para classificação de imagens de tomografia computadorizada da região cerebral.-
Descrição: dc.descriptionStroke (AVC) is one of the most deadly and disabling diseases worldwide and a later diagnostic can be more harmful to the victim. Therefore, ways to speed up and help the process of diagnosing the disease can be very relevant and beneficial, and this work addressed this issue, applying Machine Learning and Deep Learning techniques, both of which are subareas of Artificial Intelligence, which has been widely applied in several segments in the search to optimize tasks, mainly in the diagnosis of diseases. Risk factor classification models were created based on Logistic Regression and Random Forest models application, as well as a Convolutional Neural Network (CNN) for classification of computed tomography images of the brain region.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Estadual Paulista (UNESP)-
Direitos: dc.rightsinfo:eu-repo/semantics/openAccess-
Palavras-chave: dc.subjectAcidente Vascular Cerebral-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectAprendizagem profunda-
Palavras-chave: dc.subjectRede neural convolucional-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectDeep learning-
Palavras-chave: dc.subjectConvolutional neural networks-
Palavras-chave: dc.subjectArtificial intelligence-
Palavras-chave: dc.subjectStroke-
Título: dc.titleTécnicas de inteligência artificial para diagnóstico de Acidente Vascular Cerebral através de imagens e dados textuais sobre possíveis vítimas-
Título: dc.titleArtificial intelligence techniques for stroke diagnosis through images and textual data about possible victims-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.