Use este identificador para citar ou linkar para este item:
https://repository.ufrpe.br/handle/123456789/6372
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.contributor.advisor | Soares, Rodrigo Gabriel Ferreira | - |
dc.contributor.author | Silva Júnior, José Carlos Monte | - |
dc.date.accessioned | 2024-10-30T14:06:05Z | - |
dc.date.available | 2024-10-30T14:06:05Z | - |
dc.date.issued | 2024-10-02 | - |
dc.identifier.citation | SILVA JÚNIOR, José Carlos Monte. Técnicas preditivas para auxílio no diagnóstico de melanomas via imagens. 2024. 78 f. Trabalho de Conclusão de Curso (Bacharelado em Sistemas de Informação) – Departamento de Estatística e Informática, Universidade Federal Rural de Pernambuco, Recife, 2024. | pt_BR |
dc.identifier.uri | https://repository.ufrpe.br/handle/123456789/6372 | - |
dc.description | O câncer de pele é o tipo mais comum de câncer no mundo, dividido em dois tipos principais: melanoma e não melanoma. Embora mais raro, o melanoma é o mais letal devido ao seu potencial de causar metástase. Métodos não invasivos, como a dermatoscopia e a regra ABCDE, têm sido utilizados para evitar procedimentos cirúrgicos desnecessários e têm ajudado na identificação de lesões, contribuindo para diagnósticos mais rápidos. Com o avanço da tecnologia, a Inteligência Artificial (IA) ganhou destaque, mostrando-se uma solução promissora para a análise de dados médicos, especialmente com o uso de Redes Neurais Convolucionais (RNCs), que podem reconhecer padrões em imagens dermatoscópicas e ajudar na classificação de lesões como melanoma ou não melanoma de forma automatizada. Este projeto propõe um comitê de classificadores baseado em Redes Neurais Convolucionais para classificar imagens dermatoscópicas como melanoma ou não melanoma, comparando seu desempenho com arquiteturas validadas, como AlexNet e VGG-16, utilizando técnicas de Transfer Learning. As análises de Precisão, Revocação e Pontuação F1 mostraram que o comitê de Redes Neurais Convolucionais superou os modelos que utilizam técnicas de Transfer Learning, com a AlexNet apresentando desempenho superior à VGG-16. O comitê de Redes Neurais Convolucionais demonstrou uma maior capacidade de generalização, mostrando-se promissor ao capturar as características relevantes das imagens, revelando potencial para aplicações médicas, embora ainda precise ser refinado para atingir padrões clínicos. | pt_BR |
dc.description.abstract | Skin cancer is the most common type of cancer worldwide, divided into two main types: melanoma and non-melanoma. Although rarer, melanoma is the most lethal due to its potential to cause metastasis. Non-invasive methods, such as dermoscopy and the ABCDE rule, have been used to avoid unnecessary surgical procedures and have helped in the identification of lesions, contributing to faster diagnoses. With advances in technology, Artificial Intelligence (AI) has gained prominence, proving to be a promising solution for medical data analysis, especially with the use of Convolutional Neural Networks (CNNs), which can recognize patterns in dermoscopic images and help classify lesions as melanoma or non-melanoma in an automated manner. This project proposes an ensemble of classifiers based on Convolutional Neural Networks to classify dermoscopic images as melanoma or non-melanoma, comparing its performance with validated architectures, such as AlexNet and VGG-16, using Transfer Learning techniques The analyses of Precision, Recall, and F1 Score showed that the ensemble of Convolutional Neural Networks outperformed the models using Transfer Learning techniques, with AlexNet showing better performance than VGG-16. The ensemble of Convolutional Neural Networks demonstrated a greater generalization capability, proving to be promising in capturing relevant features from the images, revealing potential for medical applications, although it still needs refinement to meet clinical standards. | pt_BR |
dc.format.extent | 78 f. | pt_BR |
dc.language.iso | por | pt_BR |
dc.rights | openAccess | pt_BR |
dc.rights.uri | https://creativecommons.org/licenses/by-nc-sa/4.0/deed.pt_BR | pt_BR |
dc.subject | Câncer de pele | pt_BR |
dc.subject | Melanoma | pt_BR |
dc.subject | Diagnóstico por imagem | pt_BR |
dc.subject | Aprendizado do computador | pt_BR |
dc.subject | Redes neurais (Computação) | pt_BR |
dc.subject | Inteligência artificial - Aplicações médicas | pt_BR |
dc.title | Técnicas preditivas para auxílio no diagnóstico de melanomas via imagens | pt_BR |
dc.type | bachelorThesis | pt_BR |
dc.rights.license | Atribuição-NãoComercial-CompartilhaIgual 4.0 Internacional (CC BY-NC-SA 4.0) | pt_BR |
dc.contributor.authorLattes | http://lattes.cnpq.br/2526739219416964 | pt_BR |
dc.degree.level | Graduacao | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.degree.local | Recife | pt_BR |
dc.degree.grantor | Universidade Federal Rural de Pernambuco | pt_BR |
dc.degree.graduation | Bacharelado em Sistemas de Informação | pt_BR |
dc.degree.departament | Departamento de Estatística e Informática | pt_BR |
Aparece nas coleções: | TCC - Bacharelado em Sistemas da Informação (Sede) |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
tcc_josecarlosmontesilvajunior.pdf | 5,65 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons