Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Alves, Allan Felipe Fattori | - |
Autor(es): dc.creator | Gomes, Larissa Picelli | - |
Data de aceite: dc.date.accessioned | 2025-08-21T18:32:54Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T18:32:54Z | - |
Data de envio: dc.date.issued | 2023-12-14 | - |
Data de envio: dc.date.issued | 2023-12-14 | - |
Data de envio: dc.date.issued | 2023-12-28 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/252032 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/252032 | - |
Descrição: dc.description | Este estudo propõe a aplicação de técnicas em aprendizado profundo (deep learning) e Redes Neurais Convolucionais (CNN) com o intuito de aprimorar a classificação de nódulos pulmonares em imagens de tomografia computadorizada (TC) em duas dimensões (2D). Dentre os métodos avaliados, a arquitetura de rede pré-treinada conhecida como MobileNet demonstrou uma acurácia superior a 83%, destacando-se como uma opção eficaz para a tarefa de classificação. A arquitetura ResNetRS152 também exibiu um desempenho positivo, atingindo uma acurácia superior a 82%. Contudo, apesar dos resultados promissores, subsistem desafios a serem enfrentados. A despeito da exploração de modelos em aprendizado profundo em imagens médicas, há margem para aprimoramentos, visando otimizar o diagnóstico precoce de neoplasias. | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | CNPq: 9776 | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Estadual Paulista (UNESP) | - |
Direitos: dc.rights | info:eu-repo/semantics/restrictedAccess | - |
Palavras-chave: dc.subject | Nódulo | - |
Palavras-chave: dc.subject | Pulmão | - |
Palavras-chave: dc.subject | Câncer | - |
Palavras-chave: dc.subject | Tomografia | - |
Palavras-chave: dc.subject | Deep Learning | - |
Título: dc.title | Caracterização de nódulos pulmonares a partir de imagens de tomografia computadorizada 2D utilizando técnicas em deep learning e redes neurais convolucionais | - |
Título: dc.title | Characterization of pulmonary nodules from 2d computed tomography images using deep learning techniques and convolutional neural networks | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: