Avaliação de modelos de classificação de imagens de raios-X para detecção de Covid-19

Detalhes bibliográficos
Autor(a) principal: Togni, Jimi, 1987-
Data de Publicação: 2021
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/20.500.12733/3147
Resumo: Orientador: Romis Ribeiro de Faissol Attux
id UNICAMP-30_7a28c0406170200a9a1ca3d0ff52019d
oai_identifier_str oai::1237642
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Avaliação de modelos de classificação de imagens de raios-X para detecção de Covid-19Comparative analysis of X-ray image classification models for COVID-19 detectionAprendizado de máquinaAprendizado por transferênciaCOVID-19Redes neurais convolucionaisMachine learningTransfer learningCOVID-19Convolutional neural networkOrientador: Romis Ribeiro de Faissol AttuxDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de ComputaçãoResumo: Este trabalho tem como objetivo apresentar e analisar comparativamente os resultados obtidos por um conjunto de modelos de redes neurais na tentativa de detectar infecção por COVID-19 em imagens de raios-X. As imagens foram divididas em três categorias: normal, pneumonia e covid. Para a realização dos experimentos, utilizou-se a técnica de transferência de aprendizagem junto a oito redes convolucionais profundas pré-treinadas: SqueezeNet, DenseNet, ResNet, AlexNet, VGG, GoogleNet, ShuffleNet e MobileNet. Optou-se por utilizar estas redes por serem amplamente empregadas e citadas em trabalhos acadêmicos recentes de visão computacional, detecção e classificação de imagens. Como resultado, observou-se que a rede DenseNet obteve a melhor precisão, com 98,17\%, com o uso do otimizador ADAM na abordagem multiclasse. A abordagem binária, por sua vez, obteve o melhor resultado de acurácia, de 99,98\%, nas redes VGG, ResNet e MobileNet. São apresentados mapas de calor para que se possam avaliar os motivos subjacentes aos diferentes desempenhosAbstract: This work has the objective of presenting and analyzing the results obtained with a representative group of neural models trained to detect COVID-19 infection from lung X-ray images. The images were divided into three categories: normal, pneumoni and covid. The experiments were performed using transfer learning over eight pre-trained deep convolutional networks: SqueezeNet, DenseNet, ResNet, AlexNet, VGG, GoogleNet, ShuffleNet and MobileNet. These networks were chosen in view of their widespread use in the literature on computer vision and image classification. The DenseNet obtained the best precision: 98.17\% when the ADAM optimizer is employed within a multiclass formulation. The binary approach, on the other hand, led to the best accuracy: 99.98\% for the VGG, ResNet and MobileNet. Heat maps are presented to allow the assessment of the reasons underlying the verified performancesMestradoEngenharia de ComputaçãoMestre em Engenharia ElétricaCNPQ157956/2019-9[s.n.]Attux, Romis Ribeiro de Faissol, 1978-Ferrari, RafaelSuyama, RicardoUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de ComputaçãoPrograma de Pós-Graduação em Engenharia ElétricaUNIVERSIDADE ESTADUAL DE CAMPINASTogni, Jimi, 1987-20212021-12-17T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (87 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/3147TOGNI, Jimi. Avaliação de modelos de classificação de imagens de raios-X para detecção de Covid-19. 2021. 1 recurso online (87 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/3147. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1237642Requisitos 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/openAccess2022-03-18T14:39:18Zoai::1237642Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2022-03-18T14:39:18Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Avaliação de modelos de classificação de imagens de raios-X para detecção de Covid-19
Comparative analysis of X-ray image classification models for COVID-19 detection
title Avaliação de modelos de classificação de imagens de raios-X para detecção de Covid-19
spellingShingle Avaliação de modelos de classificação de imagens de raios-X para detecção de Covid-19
Togni, Jimi, 1987-
Aprendizado de máquina
Aprendizado por transferência
COVID-19
Redes neurais convolucionais
Machine learning
Transfer learning
COVID-19
Convolutional neural network
title_short Avaliação de modelos de classificação de imagens de raios-X para detecção de Covid-19
title_full Avaliação de modelos de classificação de imagens de raios-X para detecção de Covid-19
title_fullStr Avaliação de modelos de classificação de imagens de raios-X para detecção de Covid-19
title_full_unstemmed Avaliação de modelos de classificação de imagens de raios-X para detecção de Covid-19
title_sort Avaliação de modelos de classificação de imagens de raios-X para detecção de Covid-19
author Togni, Jimi, 1987-
author_facet Togni, Jimi, 1987-
author_role author
dc.contributor.none.fl_str_mv Attux, Romis Ribeiro de Faissol, 1978-
Ferrari, Rafael
Suyama, Ricardo
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 Togni, Jimi, 1987-
dc.subject.por.fl_str_mv Aprendizado de máquina
Aprendizado por transferência
COVID-19
Redes neurais convolucionais
Machine learning
Transfer learning
COVID-19
Convolutional neural network
topic Aprendizado de máquina
Aprendizado por transferência
COVID-19
Redes neurais convolucionais
Machine learning
Transfer learning
COVID-19
Convolutional neural network
description Orientador: Romis Ribeiro de Faissol Attux
publishDate 2021
dc.date.none.fl_str_mv 2021
2021-12-17T00:00:00Z
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/20.500.12733/3147
TOGNI, Jimi. Avaliação de modelos de classificação de imagens de raios-X para detecção de Covid-19. 2021. 1 recurso online (87 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/3147. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/3147
identifier_str_mv TOGNI, Jimi. Avaliação de modelos de classificação de imagens de raios-X para detecção de Covid-19. 2021. 1 recurso online (87 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/3147. 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/1237642
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 (87 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_ 1809189180682534912

Registros relacionados