Comparação entre arquiteturas de deep learning para a classificação de tumores cerebrais

• Autor(a) principal: Braga, Pedro Henrique Domingues
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: https://hdl.handle.net/11449/251857
• topic: Aprendizado profundo; Ressonância magnética; Tumor; Python; Deep learning; Resonance

Tumor cerebral é um problema que afeta mais de 150 mil pessoas por ano no Brasil e sempre requer exames laboratoriais e de imagem para ser constatado, com o surgimento de novas tecnologias, como por exemplo, a inteligência artificial e o aprendizado profundo, é oportuna a utilização destas ferramentas na classificação e identificação de tumores, fornecendo diagnósticos que podem melhorar a qualidade de vida das pessoas através do tratamento precoce. Sendo assim, foi realizada uma comparação entre 4 arquiteturas de aprendizado profundo, subárea da Inteligência Artificial, com o objetivo de identificar qual modelo apresenta melhor desempenho na classificação desses tumores a partir do aprendizado através das imagens de ressonância magnética dos tumores e suas variações. A métrica de desempenho utilizada como parâmetro de comparação foi a precisão, a qual foi estabelecida em 95% dado o objetivo de identificar o maior número possível de tumores cerebrais. O modelo que obteve o melhor resultado foi o que utilizou a arquitetura AlexNet, alcançando 100% de precisão na classificação de carcinomas e 84% de acurácia geral.