Show simple item record

dc.contributor.advisorWebber, Carine Geltrudes
dc.contributor.authorSantos, Mauricio Koenigkam
dc.contributor.otherBoff, Elisa
dc.contributor.otherFardo, Marcelo Luís
dc.date.accessioned2019-06-18T13:59:17Z
dc.date.available2019-06-18T13:59:17Z
dc.date.issued2019-06-18
dc.date.submitted2018-12-11
dc.identifier.urihttps://repositorio.ucs.br/11338/4758
dc.descriptionAs otites são o principal motivo de visita aos médicos por crianças na idade pré-escolar. No mundo, acredita-se que aproximadamente 740 milhões de pessoas por ano serão afetadas por otite média aguda ou otite média crônica supurada (LUNDBERG et al., 2017). A computação vem cada vez mais ajudando os profissionais na área da saúde no diagnóstico, prognóstico e tratamento das doenças. A classificação de imagens na área médica, principalmente pelas redes neurais de aprendizado profundo, é uma importante ferramenta no auxílio do diagnóstico de doenças, como a retinopatia diabética. A radiologia vem usando as redes neurais para ajudar a identificar tumores em exames de tomografia, por exemplo. A dermatologia também usa esses métodos para ajudar a interpretar imagens de manchas na pele, com o objetivo de identificar possíveis melanomas. Esses exemplos, como os de outras áreas da medicina, mostram o a importância que as redes neurais vêm tendo na classificação de imagens. Neste trabalho foram coletadas imagens do conduto auditivo externo humano por médico otorrinolaringologista, sendo que 133 destas foram submetidas ao processo de Extração de Conhecimento em Bancos de Dados. Foi construído um modelo de Rede Neural Convolucional para classificação destas imagens em três classes: "sem doença", "com doença"e "com cerumen". Durante o treinamento, os dados foram divididos em partições, e a acurácia média dos testes com todas as partições foi de 81.62%, sendo o melhor resultado de 91.26%. O modelo final foi submetido ao teste com 14 novas imagens, apresentando uma acurácia de 90.47% (sic).pt_BR
dc.description.abstractOtites are the main reason for preschoolers to visit a doctor. In the world, it is believed that approximately 740 million people per year will be affected by acute otitis media or suppurative chronic otitis media. Computers are increasingly helping health professionals to diagnose, prognosis and treat diseases. The interpretation of images in the medical field, mainly by deep learning neural networks, is an important tool in the aid of the diagnosis of diseases such as diabetic retinopathy. Radiology has been using neural networks to help identify tumors on CT scans, for example. Dermatology also uses these methods to help interpret images of skin blemishes to identify possible melanomas. These examples, like those in other areas of medicine, show the importance of neural networks in classifying images. In this work, images of the human external auditory canal were collected by otorhinolaryngologist, of which 133 were submitted to the Knowledge Discovery in Databases process. A Convolutional Neural Network model was constructed to classify these images into three classes: "without disease", "with disease" and "with cerumen". During training, the data was partitioned, and the average accuracy of all partitions was 81.62 %, the best result being 91.26 %. The final model was tested with 14 new images, presenting an accuracy of 90.47 %. (sic).pt_BR
dc.language.isoptpt_BR
dc.subjectInteligência artificialpt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectRedes neurais (Computação)pt_BR
dc.titleRedes neurais na classificação de imagens da membrana timpânicapt_BR
dc.typeMonografiapt_BR
mtd2-br.advisor.instituationUniversidade de Caxias do Sulpt_BR
mtd2-br.program.nameBacharelado em Tecnologias Digitaispt_BR


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record