
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.creator | Alvarenga, Taís Aparecida | - |
| Autor(es): dc.creator | Santos, Luís Otávio | - |
| Autor(es): dc.creator | Zegarra Rodríguez, Demóstenes | - |
| Autor(es): dc.creator | Ferreira, Danton Diego | - |
| Autor(es): dc.creator | Barbosa, Bruno Henrique Groenner | - |
| Autor(es): dc.creator | Seixas, Jose Manoel de | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T12:37:11Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T12:37:11Z | - |
| Data de envio: dc.date.issued | 2023-04-04 | - |
| Data de envio: dc.date.issued | 2023-04-04 | - |
| Data de envio: dc.date.issued | 2021 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/56499 | - |
| Fonte completa do material: dc.identifier | https://sbic.org.br/lnlm/publicacoes/vol20-no2/vol20-no2-art6/ | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1164939 | - |
| Descrição: dc.description | Deep learning applications in medical imaging have been achieving promising results in the detection of diseases, among which clinical trials in terms of screening and diagnosis of patients with COVID-19 stand out. Computed Tomography (CT) images of the chest have been used by specialists for the diagnosis of COVID-19. However, due to the need of the moment and the possibility of using computational resources to help the medical team, it is observed in the literature several proposed works using supervised learning, however it lacks unsupervised methods for the screening and diagnosis of patients with COVID-19. In this work, the deep learning models Convolutional Neural Network (CNN) and Variational Autoencoders are used for feature extraction and later this information is used for binary and multiclass classification in unsupervised methods (k-means, Fuzzy C-Means and Self-Organizing Maps). For this purpose, a public database containing 4173 CT images (2168 CT slices from COVID-19, 758 slices from Healthy and 1247 slices from other lung diseases) was used. The results show that feature extraction via Variational Autoencoders has similar performance with state-of-the-art models in the literature for COVID-19, mainly for the binary classification with accuracies of 95.9%, 92.1% and 95.9% for k-means, Fuzzy C-Means and SOM, respectively, presenting competitive results in the literature. It also shows the importance of extracting features through convolutional networks to improve classification performance, resulting from the use of deep learning and its state of the art in the area of computer vision. | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | Sociedade Brasileira de Inteligência Computacional (SBIC) | - |
| Direitos: dc.rights | restrictAccess | - |
| ???dc.source???: dc.source | Learning and Nonlinear Models | - |
| Palavras-chave: dc.subject | COVID-19 | - |
| Palavras-chave: dc.subject | Unsupervised Learning | - |
| Palavras-chave: dc.subject | Transfer Learning | - |
| Palavras-chave: dc.subject | Variational Autoencoder | - |
| Palavras-chave: dc.subject | k-means | - |
| Palavras-chave: dc.subject | Fuzzy C-Means | - |
| Palavras-chave: dc.subject | Aprendizagem não supervisionada | - |
| Palavras-chave: dc.subject | Tomografia computadorizada | - |
| Título: dc.title | Unsupervised Class-Expert Learning for Supporting Covid-19 Triage Based on Computed Tomography Data | - |
| Tipo de arquivo: dc.type | Artigo | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
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: