Submitted by JOSIANE SANTOS DE OLIVEIRA (josianeso) on 2017-06-14T14:08:02Z
No. of bitstreams: 1
Uilian Kenedi Lopes_.pdf: 1606525 bytes, checksum: 6cf55b065e939fca4ecdc6564199c594 (MD5) / Made available in DSpace on 2017-06-14T14:08:02Z (GMT). No. of bitstreams: 1
Uilian Kenedi Lopes_.pdf: 1606525 bytes, checksum: 6cf55b065e939fca4ecdc6564199c594 (MD5)
Previous issue date: 2017-03-24 / Nenhuma / De acordo com a Organização Mundial de Saúde, a tuberculose (juntamente com a AIDS) é a doença infecciosa que mais causa mortes no mundo. Estima-se que em 2014 cerca de 1,5 milhão de pessoas infectadas com o Mycobacterium Tuberculosis morreram, a maior parte delas nos países em desenvolvimento. Muitas destas mortes poderiam ter sido evitadas caso o diagnóstico ocorresse nas fases iniciais da doença, mas infelizmente as técnicas mais avançadas de diagnóstico ainda têm custo proibitivo para adoção em massa nos países em desenvolvimento. Uma das técnicas mais populares de diagnóstico da tuberculose ainda é através da radiografia torácica frontal, entretanto este método tem seu impacto reduzido devido à necessidade de radiologistas treinados analisarem cada radiografia individualmente. Por outro lado, já existem pesquisas buscando automatizar o diagnóstico através da aplicação de técnicas computacionais às imagens radiográficas pulmonares, eliminando assim a necessidade da análise individual de cada radiografia e diminuindo grandemente o custo. Além disso, aprimoramentos recentes nas Redes Neurais Convolucionais, relacionados também à área de Deep Learning, obtiveram grande sucesso para classificação de imagens nos mais diversos domínios, porém sua aplicação no diagnóstico da tuberculose ainda é limitada. Assim o foco deste trabalho é produzir uma
investigação que promova avanços nas pesquisas, trazendo três abordagens de aplicação de Redes Neurais Convolucionais com objetivo de detectar a doença. As três propostas apresentadas neste trabalho são implementadas e comparadas com a literatura corrente. Os resultados obtidos até o momento mostraram-se sempre competitivos com trabalhos já publicados na área, obtendo resultados superiores na maior parte dos casos, demonstrando assim o grande potencial das Redes Convolucionais como extratoras de características de imagens médicas. / According to the World Health Organization, tuberculosis (along with AIDS) is the most
deadly infectious disease in the world. In 2014 it is estimated that 1.5 million people infected by the Mycobacterium Tuberculosis died, most of them in developing countries. Many of those deaths could have been prevented if the disease was detected at an earlier stage, but unfortunately the most advanced diagnosis methods are cost prohibitive for mass adoption in developing countries. One of the most popular tuberculosis diagnosis methods still is by analysis of frontal thoracic radiographies, however the impact of this method is diminished by the need for individual analysis of each radiography by properly trained radiologists. On the other hand, there is significant research on automating diagnosis by the application of computational techniques to lung radiographic images, eliminating the need for individual analysis of the radiographies and greatly diminishing the cost. In addition to that, recent improvements on Convolutional Neural Networks, which are related to Deep Learning, accomplished excellent results classifying images on diverse domains, but it’s application for tuberculosis diagnosis still is limited. Thus, the focus of this work is to produce an investigation that will advance the research in the area, proposing three approaches to the application of Convolutional Neural Networks to detect the disease. The three proposals presented in this works are implemented and compared to the current literature. The obtained results are competitive with works published in the area,
achieving superior results in most cases, thus demonstrating the great potential of Convolutional Networks as medical image feature extractors.
| Identifer | oai:union.ndltd.org:IBICT/oai:www.repositorio.jesuita.org.br:UNISINOS/6349 |
| Date | 24 March 2017 |
| Creators | Lopes, Uilian Kenedi |
| Contributors | http://lattes.cnpq.br/4658545839496086, Valiati, João Francisco |
| Publisher | Universidade do Vale do Rio dos Sinos, Programa de Pós-Graduação em Computação Aplicada, Unisinos, Brasil, Escola Politécnica |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UNISINOS, instname:Universidade do Vale do Rio dos Sinos, instacron:UNISINOS |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0026 seconds