Avaliação de modelos de detecção de objetos na identificação de doenças pulmonares e cardíacas em imagens de raio-x torácicos

Carregando...
Imagem de Miniatura

Data

04-10-2024

Título(s) alternativo(s)

Tipo de acesso

Acesso Abertoaccess-logo

Citar como

PEREIRA, Lucas Vitor Loch. Avaliação de modelos de detecção de objetos na identificação de doenças pulmonares e cardíacas em imagens de raio-x torácicos. Orientador: Daniel da Conceição Pinheiro. 2024. 58 f. Trabalho de Curso (Bacharelado em Engenharia da Computação) – Faculdade de Engenharia da Computação, Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2024. Disponível em: https://bdm.ufpa.br/jspui/handle/prefix/7383. Acesso em:.
As doenças pulmonares e cardíacas representam um dos maiores desafios à saúde pública, sendo responsáveis por uma significativa taxa de mortalidade global, cenário que foi ainda mais agravado pela pandemia de COVID-19, que evidenciou a importância de diagnósticos precoces e precisos. Nesse contexto, a radiografia torácica destaca-se como um dos métodos mais eficazes para a detecção dessas patologias, pois permite uma análise detalhada da caixa torácica, pulmões e coração, fornecendo informações cruciais para o diagnóstico e acompanhamento clínico. Este trabalho propõe uma análise comparativa entre quatro modelos de detecção de objetos — YOLOv5, YOLOv8, Faster R-CNN e RetinaNet — com o objetivo de avaliar qual deles apresenta o melhor desempenho em precisão e sensibilidade na identificação de doenças pulmonares e cardíacas em imagens de raio-X torácico. A pesquisa examina as características específicas de cada modelo, considerando a eficácia na identificação de diversas patologias, como atelectasia, cardiomegalia, efusão, infiltração e pneumonia, e explora as métricas de avaliação, como precisão, sensibilidade e taxa de falsos positivos, para determinar qual modelo se destaca na prática clínica. Os resultados esperados visam contribuir para o avanço da detecção automatizada dessas doenças, oferecendo uma base sólida para a implementação de tecnologias de inteligência artificial em ambientes clínicos, com o intuito de melhorar a acurácia dos diagnósticos e, consequentemente, os desfechos dos pacientes.

Fonte

Fonte URI

Disponível na internet via Sagitta