Detalhes bibliográficos
Ano de defesa: |
2019 |
Autor(a) principal: |
Santos, André Pires dos
 |
Orientador(a): |
Silva, Leandro Augusto da
 |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Dissertação
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Universidade Presbiteriana Mackenzie
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: |
|
Área do conhecimento CNPq: |
|
Link de acesso: |
http://dspace.mackenzie.br/handle/10899/24505
|
Resumo: |
Este trabalho tem como proposta estudar o desempenho de diferentes arquiteturas de redes neurais profundas aplicadas na detecção de lesões dermatológicas. O resultado tem como aplicações secundárias a indicação do encaminhamento correto do paciente e prioridade de atendimento, aumentando assim a eficiência do fluxo de atendimento de pacientes carentes de acesso a essa especialidade médica. O estudo apresenta uma breve introdução dos principais motivos, a origem histórica, o impacto da falta de acesso da população ao sistema de saúde e os potenciais benefícios provenientes da inserção de inteligência artificial nos processos de atendimento. Apresenta ainda uma revisão de trabalhos científicos voltados à classificação de lesões de pele por algoritmos de inteligência artificial e os principais conceitos e histórico de redes neurais artificiais, desde estudos pioneiros até as arquiteturas mais recentes. Como resultados, o trabalho apresenta dois experimentos que somados contemplam diferentes cenários de aplicação das redes neurais profundas para mensurar a acurácia dos algoritmos propostos em classificação de lesões de pele. Os experimentos avaliam o desempenho de diferentes arquiteturas, variando parâmetros e estratégias de inicialização de pesos das redes neurais. Como principais resultados, o trabalho apresenta que a arquitetura GoogLeNet treinada com 24.000 imagens, ao longo de mil épocas utilizando inicialização randômica dos pesos e taxa de aprendizado de - , foi capaz de obter uma acurácia de % para sugestão diagnóstica, % para indicação de prioridade e 96,03% para o encaminhamento apropriado do paciente em um conjunto de teste composto por 6.975 imagens. |