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.contributor | Medeiros, Dianne Scherly Varela de | - |
Autor(es): dc.contributor | Ferreira, Tadeu Nagashima | - |
Autor(es): dc.contributor | Oliveira, Nicollas Rodrigues de | - |
Autor(es): dc.creator | Vieira, Matheus Henrique da Silva | - |
Autor(es): dc.creator | Santos, Nathalia Cuciniello dos | - |
Data de aceite: dc.date.accessioned | 2024-07-11T18:21:40Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T18:21:40Z | - |
Data de envio: dc.date.issued | 2022-02-09 | - |
Data de envio: dc.date.issued | 2022-02-09 | - |
Data de envio: dc.date.issued | 2021 | - |
Fonte completa do material: dc.identifier | http://app.uff.br/riuff/handle/1/24543 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/769023 | - |
Descrição: dc.description | No estágio mais avançado da Doença de Alzheimer, o paciente debilitado se torna incapaz de realizar suas tarefas diárias. Para que o efeito progressivo da doença seja retardado e uma qualidade de vida melhor possa ser oferecida ao paciente, é importante que o diagnóstico da doença seja realizado precocemente. No entanto, até mesmo para o médico especialista é difícil diagnosticar a doença somente com exames de Ressonância Magnética por Imagem (RMI) ou de Tomografia Computadorizada (TC). Dessa forma, o objetivo deste trabalho é criar um mecanismo que auxilie no pré-diagnóstico da Doença de Alzheimer. Para isso, desenvolve-se um classificador com base em redes neurais artificiais para diferenciar níveis de severidade da Doença de Alzheimer. A proposta deste trabalho consiste em criar um classificador único a partir da composição de três classificadores binários, utilizando a Integral de Choquet para unificar modelos e a média ou a moda para combinar o resultado unificado. O classificador final distingue entre as severidades Leve, Muito Leve e Sem Demência. Cada classificador binário diferencia uma combinação distinta desses níveis de severidade. A estrutura dos classificadores binários conta com a composição de redes neurais convolucionais e multicamadas. Imagens de exames de RMI são usadas como entrada da rede convolucional. Para obter um modelo satisfatório para os classificadores binários, treina-se a rede neural com diferentes estruturas, variando-se hiperparâmetros e verificando sua influência no desempenho do classificador. Os resultados mostram que os perparâmetros batch, taxa de aprendizado e quantidade de blocos influenciam de forma mais significativa o desempenho dos classificadores binários. Além disso, os melhores resultados para o classificador final são obtidos utilizando modelos não ótimos dos classificadores binários. O classificador final proposto apresenta 54% de acerto para a classe Leve, 51% para Muito Leve e 52% para Sem Demência | - |
Descrição: dc.description | At the most advanced stage of Alzheimer’s disease, the debilitated patient becomes unable to perform his daily tasks. In order to delay the progressive effect of the disease and to provide a better quality of life to the patient, the diagnosis of the disease must be made early. However, even for the specialist doctor, it is difficult to diagnose the disease only with Magnetic Resonance Imaging (MRI) or Computed Tomography (CT) exams. Thus, the objective of this work is to create a mechanism that assists in the pre-diagnosis of Alzheimer’s disease. To this end, a classifier based on Artificial Neural Networks is developed to distinguish severity levels of Alzheimer’s disease. The purpose of this work is to create a unique classifier from the composition of three binary classifiers, using the Choquet integral to unify models and the average or mode to combine the unified result. The final classifier distinguishes between mild, very mild and nondemented severities. Each binary classifier differentiates a distinct combination of these severity levels. The structure of binary classifiers relies on the composition of convolutional and multilayer neural networks. RMI exams images are used as convolutional network input. To obtain a satisfactory model for binary classifiers, the neural network is trained with different structures, varying hyperparameters and verifying its influence on classifier performance. The results show that the hyperparameters batch, learning rate, and number of blocks more significantly influence the performance of binary classifiers. In addition, the best results for the final classifier are obtained using non-optimal models of binary classifiers. The proposed final classifier presents 54% of hit for the mild, 51% for very mild and 52% for nondemented | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Federal Fluminense | - |
Publicador: dc.publisher | Niterói | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Inteligência artificial | - |
Palavras-chave: dc.subject | Integral de Choquet | - |
Palavras-chave: dc.subject | Rede neural artificial | - |
Palavras-chave: dc.subject | Doença de Alzheimer | - |
Palavras-chave: dc.subject | Inteligência artificial | - |
Palavras-chave: dc.subject | Rede neural artificial | - |
Palavras-chave: dc.subject | Alzheimer’s disease | - |
Palavras-chave: dc.subject | Artificial intelligence | - |
Palavras-chave: dc.subject | Artificial neural network | - |
Palavras-chave: dc.subject | Choquet Integral | - |
Título: dc.title | Um classificador baseado em redes neurais artificiais para pré-diagnóstico de doença de Alzheimer | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
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: