Aprendizado profundo para auxiliar a detecção de COVID-19 baseado em imagens de raio-x de tórax: uma abordagem prática

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorMartins, Marcella Scoczynski Ribeiro-
Autor(es): dc.contributorGonçalves, Cristhiane-
Autor(es): dc.contributorMartins, Marcella Scoczynski Ribeiro-
Autor(es): dc.contributorCorrea, Fernanda Cristina-
Autor(es): dc.contributorReis, Marcio Rodrigues da Cunha-
Autor(es): dc.contributorSola, Antonio Vanderley Herrero-
Autor(es): dc.creatorPremebida, Sthefanie Monica-
Autor(es): dc.creatorCamargo, Thiago Fellipe Ortiz de-
Data de aceite: dc.date.accessioned2022-08-04T20:17:29Z-
Data de disponibilização: dc.date.available2022-08-04T20:17:29Z-
Data de envio: dc.date.issued2022-07-12-
Data de envio: dc.date.issued2022-07-12-
Data de envio: dc.date.issued2021-12-08-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/29086-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/706158-
Descrição: dc.descriptionGiven the large number of COVID-19 cases around the world, a practical solution to reduce and alleviate the patient queue in hospitals and healthcare systems is welcome. Fast and reliable diagnostics based on technological tools can help medical professionals to manage this bottleneck situation. In this work, we propose a practical methodology using deep learning to detect and classify lungs affected by COVID-19 through chest x-ray imaging. RetinaNet architecture is used in the process. This architecture is a onestage detector combined with Focal Loss. We considered a dataset with 5000 images, 2000 to train the model, 1000 to validate, and 2000 to test the model. The results obtained show a recall score of 0.99, precision of 0.99, sensibility of 0.56, and mAP of 0.81. The high recall score implicates that a patient with COVID-19 will be classified correctly.-
Descrição: dc.descriptionDado o grande número de casos COVID-19 em todo o mundo, uma solução prática para reduzir e aliviar a fila de pacientes em hospitais e sistemas de saúde é bem-vinda. Diagnósticos rápidos e confiáveis baseados em ferramentas tecnológicas podem ajudar os profissionais da medicina a administrar essa situação de gargalo. Neste trabalho, propomos uma metodologia prática usando aprendizado profundo (deep learning) para detectar e classificar os pulmões afetados por COVID-19 por meio de imagens de raio-x de tórax. A arquitetura RetinaNet é utilizada no processo. Esta arquitetura é um detector de um estágio combinado com a focal loss. Consideramos um conjunto de dados com 5000 imagens, sendo 2000 para treinamento, 1000 para validação e 2000 para teste. Os resultados obtidos mostram um escore de especificidade de 0.99, precisão de 0.99, sensitividade de 0.56 e mAP de 0.81. A alta pontuação de especificidade implica que um paciente com COVID-19 tem alta probabilidade de ser diagnosticado corretamente.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherPonta Grossa-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherDepartamento Acadêmico de Engenharia Elétrica-
Publicador: dc.publisherEngenharia Elétrica-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-nd/4.0/-
Palavras-chave: dc.subjectExame pelo raio X-
Palavras-chave: dc.subjectDiagnóstico-
Palavras-chave: dc.subjectPulmões - Doenças - Diagnóstico-
Palavras-chave: dc.subjectExpertising, X-ray-
Palavras-chave: dc.subjectDiagnosis-
Palavras-chave: dc.subjectLungs - Diseases - Diagnosis-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA-
Título: dc.titleAprendizado profundo para auxiliar a detecção de COVID-19 baseado em imagens de raio-x de tórax: uma abordagem prática-
Título: dc.titleDeep learning to assist COVID-19 detection based on chest x-ray images: practical methodology-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.