| Compartilhamento |
|
Exportar este item:
Use este identificador para citar ou linkar para este item:
http://localhost:8080/tede/handle/tede/1572| Tipo do documento: | Artigo |
| Título: | Deep learning no reconhecimento de câncer cerebral em ressonâncias magnéticas |
| Título(s) alternativo(s): | Deep learning in brain cancer recognition in magnetic resonance imaging |
| Autor: | Miranda, Felizberto Macedo de |
| Primeiro orientador: | Passarinho, Cornélia Janayna Pereira |
| Primeiro membro da banca: | Borges, Fábbio Anderson Silva |
| Segundo membro da banca: | Souza, Patrícia Dayana de Araújo |
| Resumo: | O aprendizado de máquina tem se mostrado uma ferramenta promissora para o diagnóstico precoce e o tratamento eficaz de doenças por meio da análise de imagens médicas. Neste estudo, exploramos a aplicação do modelo Xception na classificação de tumores cerebrais em três categorias: meningioma, glioma e tumor da glândula pituitária. Utilizando pesos pré-treinados no ImageNet, o modelo alcançou uma acurácia de validação de 97%, demonstrando consistência em diferentes classes. Métricas complementares, como recall, F1-score e precision, foram empregadas para avaliar o desempenho. Tentamos também implementar a técnica Grad-CAM para interpretar as decisões do modelo. No entanto, dificuldades técnicas impediram a geração consistente dos mapas de calor, destacando a necessidade de ajustes em futuros trabalhos. Os resultados reforçam o potencial de modelos baseados em aprendizado profundo para suportar a análise clínica de imagens cerebrais. |
| Abstract: | Machine learning has proven to be a promising tool for the early diagnosis and effective treatment of diseases through the analysis of medical images. In this study, we explored the application of the Xception model to the classification of brain tumors into three categories: meningioma, glioma and pituitary gland tumor. Using weights pre-trained in ImageNet, the model achieved a validation accuracy of 97%, demonstrating consistency across different classes. Complementary metrics such as recall, F1-score and precision were used to evaluate performance. We also tried to implement the Grad-CAM technique to interpret the model's decisions. However, technical difficulties prevented the consistent generation of heat maps, highlighting the need for adjustments in future work. The results reinforce the potential of deep learning-based models to support the clinical analysis of brain images. |
| Palavras-chave: | CNN Tumor Cerebral Classificação Multiclasse Aprendizado de Máquina |
| Área(s) do CNPq: | CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO |
| Idioma: | por |
| País: | Brasil |
| Instituição: | Universidade Estadual do Piauí |
| Sigla da instituição: | UESPI |
| Departamento: | Centro de Ensino - Campus do Interior |
| Programa: | Bacharelado em Ciências da Computação |
| Citação: | MIRANDA, Felizberto Macedo de. Deep learning no reconhecimento de câncer cerebral em ressonâncias magnéticas. 2025. 11 f. Artigo (Bacharelado em Ciências da Computação) - Universidade Estadual do Piauí, Piripiri, 2025. |
| Tipo de acesso: | Acesso Aberto |
| URI: | http://sistemas2.uespi.br/handle/tede/1572 |
| Data de defesa: | 2025 |
| Aparece nas coleções: | CIES - Bacharelado em Ciências da Computação (Prof. Antônio Giovanni Alves de Sousa – PIRIPIRI) |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| Artigo Completo.pdf | 424,41 kB | Adobe PDF | Baixar/Abrir Pré-Visualizar |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.