Triagem de Covid-19: um Sistema com múltipla Interpretabilidade baseado em deep learning capaz de determinar a severidade da lesão pulmonar

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorZegarra Rodríguez, Demóstenes-
Autor(es): dc.contributorFerreira, Danton Diego-
Autor(es): dc.contributorZegarra Rodríguez, Demóstenes-
Autor(es): dc.contributorFerreira, Danton Diego-
Autor(es): dc.contributorLacerda, Wilian Soares-
Autor(es): dc.contributorArjona Ramírez, Miguel-
Autor(es): dc.creatorSantos, Luís Otávio-
Data de aceite: dc.date.accessioned2026-02-09T12:16:13Z-
Data de disponibilização: dc.date.available2026-02-09T12:16:13Z-
Data de envio: dc.date.issued2022-08-12-
Data de envio: dc.date.issued2022-08-12-
Data de envio: dc.date.issued2022-08-12-
Data de envio: dc.date.issued2022-06-24-
Fonte completa do material: dc.identifierhttps://repositorio.ufla.br/handle/1/50940-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1157919-
Descrição: dc.descriptionCOVID-19 is a pandemic-level disease that has taken thousands of lives around the world. Since the beginning of the pandemic, research has been carried out seeking for immunization (vaccine), screening and diagnosis by researchers in theMedical area, and also for automatic diagnosis by the areas of Engineering, Computer Science and Statistics, using computational intelligence methods to identify infected patients. In this work, materials (data) and theoretical information are gathered on the main techniques available for building a complete patient triage system, based on automatic analysis through computational intelligence models. As material, lung tomography images were used, which were segmented looking for the region of interest (lung parenchyma), using semantic segmentation models. Then these images were used to train the Vision Transformer model, which is based on attention mechanisms that allows the explanation of its classifications. Finally, segmentation models were used to identify the two types of lesions that are commonly generated by the action of the virus in the lung, ground glass opacity and consolidation. The experimental results for the lung segmentation models reached a Dice index of approximately 97%. While the lesion segmentation model achieved a Dice index of approximately 85% for consolidation, and a Dice index of approximately 77% for ground glass opacity. The classification model reached a recall score of approximately 91%, precision and specificity of approximately 98%.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionA COVID–19 é uma doença de nível pandêmico que já conseguiu ceifar milhares de vidas ao redor do mundo. Desde o início da pandemia, pesquisas vêm sendo realizadas em busca da imunização (vacina), triagem e diagnóstico por parte de pesquisadores da área Médica, e também pelo diagnóstico automático por parte das áreas de Engenharia, Ciência da Computação e Estatística, utilizando a inteligência computacional para identificar pacientes infectados. Neste trabalho são reunidos materiais (dados) e informações teóricas sobre as principais técnicas disponíveis para construção de um sistema completo de triagem de pacientes, com base na análise automática por meio de modelos de inteligência computacional. Como material foram utilizadas imagens de tomografia pulmonar, as quais foram segmentadas buscando a região de interesse (os parênquimas pulmonares), utilizando modelos de segmentação semântica. Emseguida, estas imagens foram utilizadas para treinar o modelo Vision Transformer, que consiste em um modelo baseado em mecanismos de atenção que permite a explicabilidade de suas classificações. Por fim, foram utilizados modelos de segmentação para identificar duas lesões que são comumente geradas pela ação do vírus no pulmão, a opacidade em vidro fosco e a consolidação. Os resultados experimentais para os modelos de segmentação dos pulmões atingiram um índice Dice de 97% aproximadamente. Enquanto o modelo de segmentação de lesões atingiu um índice Dice de aproximadamente 85% para consolidação, e um índice Dice de aproximadamente 77% para opacidade em vidro fosco. OModelo de classificação atingiu uma sensibilidade de 91% aproximadamente, precisão e especificidade de 98% aproximadamente.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Federal de Lavras-
Publicador: dc.publisherPrograma de Pós-Graduação em Engenharia de Sistemas e Automação-
Publicador: dc.publisherUFLA-
Publicador: dc.publisherbrasil-
Publicador: dc.publisherDepartamento de Engenharia-
Direitos: dc.rightsacesso aberto-
Palavras-chave: dc.subjectCovid-19-
Palavras-chave: dc.subjectAprendizado profundo-
Palavras-chave: dc.subjectVisão computacional-
Palavras-chave: dc.subjectInterpretabilidade-
Palavras-chave: dc.subjectLesões pulmonares-
Palavras-chave: dc.subjectDeep learning-
Palavras-chave: dc.subjectComputer vision-
Palavras-chave: dc.subjectLung injuries-
Palavras-chave: dc.subjectAutomação Eletrônica de Processos Elétricos-
Título: dc.titleTriagem de Covid-19: um Sistema com múltipla Interpretabilidade baseado em deep learning capaz de determinar a severidade da lesão pulmonar-
Título: dc.titleCovid-19 screening: a multi-interpretable system based on deep learning capable of determining the severity of lung injury-
Tipo de arquivo: dc.typedissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal de Lavras (RIUFLA)

Não existem arquivos associados a este item.