Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/29086| Título: | Aprendizado profundo para auxiliar a detecção de COVID-19 baseado em imagens de raio-x de tórax: uma abordagem prática |
| Título(s) alternativo(s): | Deep learning to assist COVID-19 detection based on chest x-ray images: practical methodology |
| Autor(es): | Premebida, Sthefanie Monica Camargo, Thiago Fellipe Ortiz de |
| Orientador(es): | Martins, Marcella Scoczynski Ribeiro |
| Palavras-chave: | Exame pelo raio X Diagnóstico Pulmões - Doenças - Diagnóstico Expertising, X-ray Diagnosis Lungs - Diseases - Diagnosis |
| Data do documento: | 9-Dez-2021 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Ponta Grossa |
| Citação: | PREMEBIDA, Sthefanie Monica; CAMARGO, Thiago Fellipe Ortiz de. Aprendizado profundo para auxiliar a detecção de COVID-19 baseado em imagens de raio-x de tórax: uma abordagem prática. 2021. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2021. |
| Resumo: | Dado 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. |
| Abstract: | Given 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. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/29086 |
| Aparece nas coleções: | PG - Engenharia Elétrica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| aprendizadoprofundodeteccaocovid.pdf | 1,94 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
