Redes neurais convolucionais para análise de mamografias

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSiqueira, Hugo Valadares-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-1278-4602-
Autor(es): dc.contributorhttp://lattes.cnpq.br/6904980376005290-
Autor(es): dc.contributorSiqueira, Hugo Valadares-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-1278-4602-
Autor(es): dc.contributorhttp://lattes.cnpq.br/6904980376005290-
Autor(es): dc.contributorTrojan, Flavio-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-1278-4602-
Autor(es): dc.contributorhttp://lattes.cnpq.br/1688457940211697-
Autor(es): dc.contributorDaguano, Juliana Kelmy Macário Barboza-
Autor(es): dc.contributorhttps://orcid.org/0000-0001-6098-6826-
Autor(es): dc.contributorhttp://lattes.cnpq.br/3896619537030413-
Autor(es): dc.creatorPereira, Adriano Diniz-
Data de aceite: dc.date.accessioned2025-08-29T12:07:55Z-
Data de disponibilização: dc.date.available2025-08-29T12:07:55Z-
Data de envio: dc.date.issued2025-05-20-
Data de envio: dc.date.issued2025-05-20-
Data de envio: dc.date.issued2025-02-26-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/36848-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1089608-
Descrição: dc.descriptionThe main theme of this study is the application of advanced artificial intelligence techniques, especially Convolutional Neural Networks (CNN), for early detection of breast cancer. With the increasing importance of automated medical image analysis, this study aims to evaluate the effectiveness of CNN in the analysis of mammograms, focusing particularly on segmentation and anomaly detection. To achieve this objective, images from renowned public databases such as the Digital Database for Screening Mammography (DDSM) and INbreast were analyzed. The study also involves the preprocessing of these images to ensure the quality of the input data and the implementation of different CNN architectures, comparing their performance in terms of accuracy and reliability. The methodology adopted included a comprehensive literature review and the implementation of data augmentation and preprocessing techniques to optimize CNN performance. The data were collected from public databases and renowned scientific journals, ensuring the relevance and timeliness of the information. The analysis of the results showed that CNNs can outperform traditional methods, offering greater accuracy in the segmentation of tumors and other anomalies, promoting faster and more reliable diagnoses. The results show that CNN EfficientNet and InceptionResNetV2 achieved greater accuracy, while CNN MobileNet and MultiResUNet achieved satisfactory accuracy and with lower processing consumption than the other implemented networks.-
Descrição: dc.descriptionO presente estudo tem como tema central a aplicação de técnicas avançadas de inteligência artificial, especialmente Redes Neurais Convolucionais (Convolutional Neural Networks - CNN), para detecção precoce de câncer de mama. Com a crescente importância da análise automatizada de imagens médicas, este estudo busca avaliar a eficácia das CNN na análise de mamografias, focando particularmente na segmentação e detecção de anomalias. Para alcançar esse objetivo, foram analisadas imagens de bancos de dados públicos renomados, como o Digital Database for Screening Mammography (DDSM) e o INbreast. O estudo também envolve o pré-processamento dessas imagens para garantir a qualidade dos dados de entrada e a implementação de diferentes arquiteturas de CNN, comparando seu desempenho em termos de precisão e confiabilidade. A metodologia adotada incluiu uma revisão bibliográfica abrangente e a implementação de técnicas de aumento de dados e pré-processamento para otimizar o desempenho das CNN. Os dados foram coletados em bases de dados públicas e revistas científicas renomadas, garantindo a relevância e a atualidade das informações. A análise dos resultados permitiu verificar que as CNN podem superar métodos tradicionais, oferecendo maior acurácia na segmentação de tumores e outras anomalias, promovendo diagnósticos mais rápidos e confiáveis. Os resultados demonstram que as CNN EfficientNet e InceptionResNetV2 alcançaram maior precisão, enquanto as CNN MobileNet e MultiResUNet obtiveram precisão satisfatória e com menor consumo de processamento que as demais redes implementadas.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherPonta Grossa-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherPrograma de Pós-Graduação em Engenharia de Produção-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc/4.0/-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectMamografia-
Palavras-chave: dc.subjectMedicina-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectArtificial intelligence-
Palavras-chave: dc.subjectBreast - Radiography-
Palavras-chave: dc.subjectMedicine-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO-
Palavras-chave: dc.subjectEngenharia/Tecnologia/Gestão-
Título: dc.titleRedes neurais convolucionais para análise de mamografias-
Título: dc.titleConvolutional neural networks for mammograph analysis-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.