Detalhes bibliográficos
| Ano de defesa: |
2024 |
| Autor(a) principal: |
SILVA, Ulrich Kauê Mendes Alencar da
 |
| Orientador(a): |
CASTRO, Adriana Rosa Garcez
|
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal do Pará
|
| Programa de Pós-Graduação: |
Programa de Pós-Graduação em Engenharia Elétrica
|
| Departamento: |
Instituto de Tecnologia
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Palavras-chave em Inglês: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
https://repositorio.ufpa.br/jspui/handle/2011/16765
|
Resumo: |
Os tumores cerebrais são doenças neurológicas com elevado potencial de impacto na vida dos indivíduos acometidos, requerendo um diagnóstico rápido e preciso por meio de exames complementares de imagem, como a ressonância magnética, que é considerada padrão- ouro nesse processo. Considerando a necessidade de um diagnóstico mais rápido, sistemas de classificação baseados em Aprendizado de Máquina vêm sendo desenvolvidos e dentro deste contexto essa dissertação, tem como objetivo apresentar um estudo comparativo entre uma Rede Neural Convolucional (CNN) e uma CNN com mecanismo de atenção, desenvolvidas para a classificação de tumores cerebrais a partir de imagens de ressonância magnética. O estudo comparativo visa identificar o impacto do mecanismo de atenção no desempenho da CNN para classificação de tumores. Para desenvolvimento e avaliação dos modelos propostos foi utilizada uma base de dados pública, coletada do website Kaggle, e disponibilizada por Masoud Nickparvar, sendo esta composta por 7023 imagens de ressonâncias magnéticas cerebrais, segmentadas em quatro classes: glioma, meningioma, sem tumor e pituitário. Como resultado, a partir das métricas de desempenho obtidas, considerando a base de imagens usadas para teste em ambas as CNNs, observou-se uma melhora no desempenho da CNN após a introdução do mecanismo de atenção, onde a rede com esse mecanismo apresentou um aumento de 1.98% na métrica acurácia, 2.07% na métrica precisão, 2.18% na métrica sensibilidade e 1.72% na métrica F1-score em relação a CNN sem mecanismo de atenção, podendo ainda ser destacado os resultados obtidos em particular para a classe de tumor meningioma, visto que a CNN sem o mecanismo de atenção apresentou dificuldades para classificação desta classe e, após a integração do mecanismo de atenção o modelo obteve um aumento de acurácia de 6.54% para esta classe. |
