Desenvolvimento de um protótipo para triagem automatizada de glaucoma por deep learning integrado ao WhatsApp

Página do item simplificado
dc.contributor.advisor1TEIXEIRA, Otávio Noura
dc.contributor.advisor1Latteshttps://lattes.cnpq.br/5784356232477760
dc.creatorWANZELER, Gabriele Rodrigues
dc.creator.Latteshttps://lattes.cnpq.br/3485721602673635
dc.date.accessioned2026-03-13T17:13:43Z
dc.date.available2026-03-13T17:13:43Z
dc.date.issued2026-02-27
dc.description.abstractThis work evaluates a ResNet50 model with transfer learning for automated glaucoma detection in fundoscopy images, integrated into a WhatsApp prototype for healthcare professionals. The model was trained on the ACRIMA and RIM-ONE datasets. On ACRIMA, it achieved 98.28% sensitivity, F1-score of 0.982, and AUC of 0.992; on RIM-ONE, 83.33% sensitivity, F1-score of 0.869, and AUC of 0.949, reflecting class imbalance. The prototype achieved accuracy rates of 83.33% and 80%, with average confidence of 94.80% and 87.31%, respectively. Results show that data balance directly influences performance, reinforcing the potential of deep learning as a support tool for glaucoma screening.
dc.description.resumoEste trabalho avalia um modelo ResNet50 com transfer learning para detecção automatizada de glaucoma em imagens de fundoscopia, integrado a um protótipo via WhatsApp para profissionais de saúde. O modelo foi treinado nos datasets ACRIMA e RIM-ONE. No ACRIMA, alcançou sensibilidade de 98,28%, F1-score de 0,982 e AUC de 0,992; no RIM-ONE, sensibilidade de 83,33%, F1-score de 0,869 e AUC de 0,949, reflexo do desbalanceamento de classes. O protótipo obteve taxa de acerto de 83,33% e 80%, com confiança média de 94,80% e 87,31%, respectivamente. Os resultados evidenciam que o balanceamento dos dados influencia diretamente o desempenho, reforçando o potencial do aprendizado profundo como ferramenta de apoio à triagem de glaucoma.
dc.identifier.citationWANZELER, Gabriele Rodrigues. Desenvolvimento de um protótipo para triagem automatizada de glaucoma por deep learning integrado ao WhatsApp. Orientador: Otávio Noura Teixeira. 2026. [27] f. Trabalho de Curso (Bacharelado em Engenharia da Computação) – Faculdade de Engenharia da Computação, Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2026. Disponível em: https://bdm.ufpa.br/handle/prefix/9343. Acesso em:.
dc.identifier.urihttps://bdm.ufpa.br/handle/prefix/9343
dc.rightsAcesso Abertopt_BR
dc.rights.licenseAttribution-NonCommercial-NoDerivs 3.0 Brazilen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/
dc.source.uriDisponível na internet via Sagittapt_BR
dc.subjectAprendizado profundo
dc.subjectRedes neurais convolucionais
dc.subjectVisão computacional
dc.subjectDeep learning
dc.subjectGlaucoma
dc.subject.cnpqCNPQ::ENGENHARIAS
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO
dc.titleDesenvolvimento de um protótipo para triagem automatizada de glaucoma por deep learning integrado ao WhatsApp
dc.typeTrabalho de Curso - Graduação - Artigo

Arquivo(s)

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
TC_Artigo_DesenvolvimentoPrototipoTriagem.pdf
Tamanho:
6.93 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.84 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Aparece na Coleção

Faculdade de Engenharia da Computação - FECOMP/CAMTUC
Logo do RepositórioLogo do Repositório