Use este identificador para citar ou linkar para este item: http://dspace.bc.uepb.edu.br/jspui/handle/123456789/30855
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.authorSilva, Giullber Valentim da-
dc.date.accessioned2023-12-21T11:12:31Z-
dc.date.available2023-12-21T11:12:31Z-
dc.date.issued2023-11-24-
dc.identifier.otherCDD 519.5-
dc.identifier.urihttp://dspace.bc.uepb.edu.br/jspui/handle/123456789/30855-
dc.descriptionSILVA, Giullber Valentim da. Classificação de imagens utilizando redes neurais convolucionais através do transfer learning. 2023. 67 f. Trabalho de Conclusão de Curso (Graduação em Estatística) - Universidade Estadual da Paraíba, Campina Grande, 2023.pt_BR
dc.description.abstractEste trabalho aborda a detecção de pneumonia, uma patologia pulmonar e a maior responsável pela morte de crianças ao redor do mundo, a partir de imagens de radiografias pediátricas. O diagnóstico tradicional envolve a avaliação do histórico do paciente assim como radiografias torácicas. Para aprimorar esse processo, este trabalho utiliza modelos classificadores baseados em redes neurais convolucionais dentro da área de deep learning. Se utilizando do método de transfer learning foi possível utilizar os pesos pré-treinados da Inception-ResNet-V2, uma rede neural convolucional mais robusta, e a VGG-16 que possui uma estrutura bem mais simples. O objetivo é classificar imagens radiográficas infantis para identificar a presença ou ausência de pneumonia, comparando ambos os modelos para identificar o melhor deles, verificando a eficácia do data augmentation no balanceamento da base de imagens de treinamento, além da comparação com outros modelos presentes na literatura. O banco de dados inclui imagens divididas em duas classes sendo a Pneumonia, com 4273 imagens, e a Normal, com 1583 imagens. A base de treinamento, inicialmente desbalanceada, contém 3883 imagens de Pneumonia e 1349 imagens Normais. Para o processo de balanceamento, foi aplicado o método de aumento de dados usando a biblioteca Albumentations em Python. A avaliação dos modelos treinados incluiu métricas como Precision, Recall, F1-score e Acurácia, utilizando a matriz de confusão. Métodos gráficos de avaliação, como a curva ROC e Precision-Recall, também foram empregados. A partir do treinamento inicial com a base desbalanceada foi evidenciado um desempenho semelhante entre os modelos, com ligeira vantagem para a Inception-ResNet-V2 com AUC de 93% e acurácia de 93,26%. No entanto, ao equilibrar a base de treinamento, a VGG-16 apresentou melhorias significativas, atingindo AUC de 94% e acurácia de 94,23%. Na comparação com outros dois modelos existentes na literatura, treinados em 100 épocas, o melhor modelo deste trabalho obteve resultados semelhantes, porém, mais equilibrado quanto a sua sensibilidade e especificidade, sendo treinado em apenas 10 épocas. Com isso, a VGG-16, treinada com uma base balanceada, demonstrou melhor desempenho e equilíbrio na classificação. Quanto a eficácia do data augmentation foi mais evidente na VGG-16, indicando que arquiteturas mais simples podem se beneficiar mais desse método em comparação com modelos complexos como a Inception-ResNet-V2, destacando a importância do balanceamento e da escolha adequada de técnicas em diferentes arquiteturas.pt_BR
dc.description.sponsorshipOrientador: Prof. Dr. Tiago Almeida de Oliveirapt_BR
dc.language.isootherpt_BR
dc.subjectPneumoniapt_BR
dc.subjectEstatísticapt_BR
dc.subjectRedes Neuraispt_BR
dc.titleClassificação de imagens utilizando redes neurais convolucionais através do transfer learningpt_BR
dc.typeOtherpt_BR
Aparece nas coleções:09 - TCC

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
TCC - Giullber Valentim da SilvaTCC - Giullber Valentim da Silva2.47 MBAdobe PDFVisualizar/Abrir
Termo de DepósitoTermo de Depósito214.5 kBAdobe PDFVisualizar/Abrir    Solictar uma cópia


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.