Aplicação de modelos de deep learning para qualificação da área da engenharia biomédica : um estudo de caso de visão computacional em imagens de raio-x da região toráxica

Detalhes bibliográficos
Autor(a) principal: Vaz, Gabriel Caumo, 1994-
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/8152
Resumo: Orientador: Yuzo Iano
id UNICAMP-30_09f6b1c2a5a29517a653bff6932b1fc7
oai_identifier_str oai::1265828
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Aplicação de modelos de deep learning para qualificação da área da engenharia biomédica : um estudo de caso de visão computacional em imagens de raio-x da região toráxicaApplication of deep learning models for qualifying the biomedical engineering field : a case study of computational vision in x-ray images from the thoracic regionBig dataInteligência artificialAprendizado de máquinaAprendizado profundoEngenharia biomédicaBig dataArtificial intelligenceMachine learningDeep learningBiomedical engineeringOrientador: Yuzo IanoDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de ComputaçãoResumo: Entre todas as áreas do conhecimento, a biológica, principalmente a medicina, sempre foi reticente no que diz respeito ao uso da tecnologia, o que é compreensível: quando se lida com seres vivos, a prudência deve ser observada e isso inclui a desconfiança com relação a resultados obtidos por computadores sem que se conheça o processo que levou a tais resultados. Contudo, com a evolução das pesquisas da área médica, em determinado momento, chegou-se num impasse: ao começar a sequenciar o genoma humano, obteve-se uma quantidade significativa de dados e, para processá-los, não havia alternativa senão os modelos computacionais. A partir da porta aberta pela área genética, a computação se tornou cada vez mais presente na área médica, resultando na engenharia biomédica, que envolve não só as áreas cujas demandas levaram à sua criação (genética e química), mas também a medicina propriamente dita, uma vez que os profissionais da saúde têm aceitado cada vez mais o auxílio da tecnologia. Nesse contexto, modelos de inteligência artificial, aprendizado de máquina e deep learning têm ganhado espaço, em especial no diagnóstico de doenças. Já existem diversas aplicações das redes neurais em outras áreas e foi questão de tempo para que as técnicas de visão computacional fossem adotadas na análise de exames de imagem (raio-x, tomografia e ultrassonografia, entre outros). Assim, esta pesquisa tem como objetivo estudar os modelos de redes neurais com maior capacidade de analisar imagens de raio-x da região toráxica com a finalidade de identificar enfermidades específicas. Para isso, um banco de dados adequado foi selecionado, modelos de redes neurais foram estudados com base em outros casos presentes na literatura acadêmica e métricas de avaliação foram escolhidas conforme o objetivo almejado, visto que cada aplicação deve ser avaliada de forma coerente. Para alcançar o objetivo deste trabalho, um método comparativo foi feito, por meio do treinamento convencional de uma rede neural e o treinamento de um segundo modelo com técnicas de otimização. Segundo a métrica analisada, o segundo modelo teve melhor desempenho, demonstrando que, com novas metodologias de aprendizado de máquina, melhores modelos computacionais podem ser criados, aumentando a confiança dos profissionais de saúde nessa tecnologia e melhorando a qualidade dos serviços médicos oferecidos à sociedadeAbstract: Among all areas of knowledge, the biological one, especially the medical science, has always been the most reticent concerning the use of technology, and it is understandable: when one copes with living organisms, prudence must be taken into account, and that includes the skepticism in results achieved by computers without knowing the process that leads to them. However, with the evolution of research in the medical field, a deadlock was eventually reached: when human genome sequencing got started, it resulted in a huge amount of data, which could not be processed without computational models. From the moment that the genetic field opened a door, computer science has become increasingly present in the medical area, resulting in biomedical engineering, which involves not only the areas whose demands lead to its creation (genetics and chemistry), but also the medicine itself, since healthcare providers have been continuously accepting the assistance of technology. In that context, models of artificial intelligence, machine learning, and deep learning have been gaining space, especially in the diagnosis of diseases. There are already many applications of neural networks, and it was a matter of time before the techniques of computational vision were adopted in the analysis of imaging examinations (x-ray, tomography, and ultrasonography, among others). Therefore, this research aims to study the neural network models that have more capability of identifying specific illnesses. To this end, a suitable database was selected, neural network models were studied based on academic literature, and validation metrics were chosen according to the aimed objective, since each application must be assessed coherently. To achieve the objective of this work, a comparative methodology was adopted by means of conventional training of a neural network and the training of a second model that used optimization methods. According to the analyzed metric, the second model had better performance, proving that, with new machine learning methodologies, better computational models can be created, increasing the confidence of healthcare providers in this technology and improving the quality of medical care provided to societyMestradoTelecomunicações e TelemáticaMestre em Engenharia ElétricaCAPES88887.598176/2021-00[s.n.]Iano, Yuzo, 1950-Oliveira, Gabriel Gomes deRosa, Maria Thereza de Moraes GomesUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de ComputaçãoPrograma de Pós-Graduação em Engenharia ElétricaUNIVERSIDADE ESTADUAL DE CAMPINASVaz, Gabriel Caumo, 1994-20232023-02-28T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (106 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/8152VAZ, Gabriel Caumo. Aplicação de modelos de deep learning para qualificação da área da engenharia biomédica: um estudo de caso de visão computacional em imagens de raio-x da região toráxica. 2023. 1 recurso online (106 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/8152. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1265828Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2023-03-30T16:16:30Zoai::1265828Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2023-03-30T16:16:30Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Aplicação de modelos de deep learning para qualificação da área da engenharia biomédica : um estudo de caso de visão computacional em imagens de raio-x da região toráxica
Application of deep learning models for qualifying the biomedical engineering field : a case study of computational vision in x-ray images from the thoracic region
title Aplicação de modelos de deep learning para qualificação da área da engenharia biomédica : um estudo de caso de visão computacional em imagens de raio-x da região toráxica
spellingShingle Aplicação de modelos de deep learning para qualificação da área da engenharia biomédica : um estudo de caso de visão computacional em imagens de raio-x da região toráxica
Vaz, Gabriel Caumo, 1994-
Big data
Inteligência artificial
Aprendizado de máquina
Aprendizado profundo
Engenharia biomédica
Big data
Artificial intelligence
Machine learning
Deep learning
Biomedical engineering
title_short Aplicação de modelos de deep learning para qualificação da área da engenharia biomédica : um estudo de caso de visão computacional em imagens de raio-x da região toráxica
title_full Aplicação de modelos de deep learning para qualificação da área da engenharia biomédica : um estudo de caso de visão computacional em imagens de raio-x da região toráxica
title_fullStr Aplicação de modelos de deep learning para qualificação da área da engenharia biomédica : um estudo de caso de visão computacional em imagens de raio-x da região toráxica
title_full_unstemmed Aplicação de modelos de deep learning para qualificação da área da engenharia biomédica : um estudo de caso de visão computacional em imagens de raio-x da região toráxica
title_sort Aplicação de modelos de deep learning para qualificação da área da engenharia biomédica : um estudo de caso de visão computacional em imagens de raio-x da região toráxica
author Vaz, Gabriel Caumo, 1994-
author_facet Vaz, Gabriel Caumo, 1994-
author_role author
dc.contributor.none.fl_str_mv Iano, Yuzo, 1950-
Oliveira, Gabriel Gomes de
Rosa, Maria Thereza de Moraes Gomes
Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação
Programa de Pós-Graduação em Engenharia Elétrica
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Vaz, Gabriel Caumo, 1994-
dc.subject.por.fl_str_mv Big data
Inteligência artificial
Aprendizado de máquina
Aprendizado profundo
Engenharia biomédica
Big data
Artificial intelligence
Machine learning
Deep learning
Biomedical engineering
topic Big data
Inteligência artificial
Aprendizado de máquina
Aprendizado profundo
Engenharia biomédica
Big data
Artificial intelligence
Machine learning
Deep learning
Biomedical engineering
description Orientador: Yuzo Iano
publishDate 2023
dc.date.none.fl_str_mv 2023
2023-02-28T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/8152
VAZ, Gabriel Caumo. Aplicação de modelos de deep learning para qualificação da área da engenharia biomédica: um estudo de caso de visão computacional em imagens de raio-x da região toráxica. 2023. 1 recurso online (106 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/8152. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/8152
identifier_str_mv VAZ, Gabriel Caumo. Aplicação de modelos de deep learning para qualificação da área da engenharia biomédica: um estudo de caso de visão computacional em imagens de raio-x da região toráxica. 2023. 1 recurso online (106 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/8152. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1265828
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (106 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189188067655680

Registros relacionados