Sopa de redes neurais randomizadas com aplicações em diagnóstico de doenças

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorRibas, Lucas Correia-
Autor(es): dc.contributorUniversidade Estadual Paulista (UNESP)-
Autor(es): dc.creatorVicentim, Ana Catarina Marques-
Data de aceite: dc.date.accessioned2025-08-21T21:38:36Z-
Data de disponibilização: dc.date.available2025-08-21T21:38:36Z-
Data de envio: dc.date.issued2024-12-15-
Data de envio: dc.date.issued2024-12-15-
Data de envio: dc.date.issued2024-10-28-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/11449/259079-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/259079-
Descrição: dc.descriptionEste trabalho aborda a análise de texturas em imagens digitais, com ênfase em suas aplicações médicas, onde o detalhamento das imagens é crucial para o diagnóstico precoce de patologias. O objetivo principal é estudar, implementar e desenvolver melhorias em técnicas de aprendizado de representações de texturas usando Redes Neurais Randomizadas (RNNs), aplicando-as no diagnóstico de doenças. Além disso, utilizou-se uma técnica de ensemble - a sopa de modelos - treinando diversas RNNs de maneira independente e combinando os pesos das camadas de saída para gerar representações mais robustas e precisas das texturas. O resultado esperado é a obtenção de um método de análise de textura eficiente e preciso, que supere as limitações dos métodos tradicionais, com potencial para melhorar a precisão diagnóstica em imagens médicas.-
Descrição: dc.descriptionThis work addresses the analysis of textures in digital images, with emphasis on their medical applications, where image detail is crucial for the early diagnosis of pathologies. The main objective is to study, implement and develop improvements in techniques for learning texture representations using Randomized Neural Networks (RNNs), applying them to the diagnosis of diseases. In addition, an ensemble technique - the model soup - was used, training several RNNs independently and combining the weights of the output layers to generate more robust and accurate representations of textures. The expected result is to obtain an efficient and accurate texture analysis method that overcomes the limitations of traditional methods, with the potential to improve diagnostic accuracy in medical images.-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)-
Descrição: dc.descriptionFAPESP: 2022/15840-3-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Estadual Paulista (UNESP)-
Direitos: dc.rightsinfo:eu-repo/semantics/openAccess-
Palavras-chave: dc.subjectTextura-
Palavras-chave: dc.subjectRedes neurais randomizadas-
Palavras-chave: dc.subjectSopa de modelos-
Palavras-chave: dc.subjectDiagnóstico de doenças-
Palavras-chave: dc.subjectAnálise de imagens-
Palavras-chave: dc.subjectTexture-
Palavras-chave: dc.subjectRandomized neural networks-
Palavras-chave: dc.subjectModel soup-
Palavras-chave: dc.subjectDisease diagnosis-
Palavras-chave: dc.subjectImage analysis-
Título: dc.titleSopa de redes neurais randomizadas com aplicações em diagnóstico de doenças-
Título: dc.titleRandomized neural networks soup with applications in disease diagnosis-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.