Navegar por:

Desenvolvimento de modelo de IA para diagnóstico de tumores cerebrais em imagens de ressonância magnética

Use este link compartilhar ou citar este material: http://educapes.capes.gov.br/handle/11449/258609
Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorRybarczyk Filho, José Luiz-
Autor(es): dc.contributorUniversidade Estadual Paulista (UNESP)-
Autor(es): dc.creatorFerreira, Jadson Gabriel.-
Data de aceite: dc.date.accessioned2025-08-21T18:53:27Z-
Data de disponibilização: dc.date.available2025-08-21T18:53:27Z-
Data de envio: dc.date.issued2024-12-04-
Data de envio: dc.date.issued2024-12-04-
Data de envio: dc.date.issued2024-11-03-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/11449/258609-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/258609-
Descrição: dc.descriptionO diagnóstico de tumores cerebrais apresenta desafios significativos devido à complexidade das imagens e à necessidade de diagnósticos rápidos e precisos. A Inteligência Artificial (IA), especialmente por meio do aprendizado profundo, surge como uma solução promissora para melhorar a detecção e classificação desses tumores. Este trabalho apresenta o desenvolvimento de um modelo de inteligência artificial utilizando aprendizado profundo para o diagnóstico de tumores cerebrais em imagens de ressonância magnética (RM), com foco na identificação e classificação de gliomas, meningiomas e adenomas pituitários. Para o desenvolvimento do modelo, foi utilizado o conjunto de dados "Brain Tumor MRI Dataset" disponível na plataforma Kaggle, que inclui imagens de RM rotuladas com diferentes tipos de tumores. As imagens foram submetidas a um processo de pré-processamento, que incluiu redimensionamento, normalização e técnicas de aumento de dados para melhorar a qualidade do treinamento. A arquitetura do modelo foi baseada em uma rede neural convolucional (CNN) desenvolvida com TensorFlow e Keras, composta por camadas convolucionais, de pooling e totalmente conectadas, otimizadas para classificação multiclasse. O processo de treinamento incluiu técnicas de ajuste fino, como a redução da taxa de aprendizado e o uso de callbacks para melhorar a performance, como o ModelCheckpoint, que salvou as melhores iterações do modelo. Após 35 épocas, o modelo demonstrou alta precisão no conjunto de validação, confirmando sua eficácia. Os resultados indicaram que o modelo alcançou uma acurácia de 98% no conjunto de teste, com precisão de 98,4% e recall de 99,6%. O modelo apresentou um F1-score elevado, demonstrando um bom equilíbrio entre precisão e recall, sendo eficaz na identificação de tumores com baixa incidência de falsos positivos e negativos. O modelo desenvolvido, portanto, pode atuar como uma ferramenta de apoio no diagnóstico clínico, aumentando a eficácia e acelerando o diagnóstico de imagens de RM-
Descrição: dc.descriptionThe diagnosis of brain tumors presents significant challenges due to the complexity of the images and the need for rapid and accurate diagnoses. Artificial Intelligence (AI), particularly through deep learning, emerges as a promising solution to improve the detection and classification of these tumors. This work presents the development of an AI model using deep learning for the diagnosis of brain tumors in magnetic resonance imaging (MRI) scans, focusing on the identification and classification of gliomas, meningiomas, and pituitary adenomas. For the development of the model, the Brain Tumor MRI Dataset available on the Kaggle platform was used, which includes MRI images labeled with different types of tumors. The images underwent a preprocessing pipeline, including resizing, normalization, and data augmentation techniques to enhance the quality of the training process. The model architecture was based on a convolutional neural network (CNN) developed with TensorFlow and Keras, consisting of convolutional layers, pooling layers, and fully connected layers, optimized for multiclass classification. The training process included fine-tuning techniques such as learning rate reduction and the use of callbacks to improve performance, like ModelCheckpoint, which saved the best model iterations. After 35 epochs, the model demonstrated high accuracy on the validation set, confirming its effectiveness. The results indicated that the model achieved 98% accuracy on the test set, with 98.4% precision and 99.6% recall. The model exhibited a high F1-score, showing a good balance between precision and recall, effectively identifying tumors with a low incidence of false positives and negatives. Therefore, the developed model can serve as a supportive tool in clinical diagnosis, increasing the efficacy and accelerating the diagnosis of MRI images-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Estadual Paulista (UNESP)-
Direitos: dc.rightsinfo:eu-repo/semantics/restrictedAccess-
Palavras-chave: dc.subjectAprendizado profundo-
Palavras-chave: dc.subjectClassificação de tumores-
Palavras-chave: dc.subjectRessonância magnética-
Palavras-chave: dc.subjectDeep learning-
Palavras-chave: dc.subjectMagnetic resonance imaging-
Palavras-chave: dc.subjectTumor classification-
Título: dc.titleDesenvolvimento de modelo de IA para diagnóstico de tumores cerebrais em imagens de ressonância magnética-
Título: dc.titleDevelopment of an AI model for Brain Tumor Diagnosis in Magnetic Resonance Imaging (MRI)-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.
Mostrar registro simples do item Visualizar estatísticas

Avaliação