System to assist lung diseases diagnosis
| Autor: | Gustavo Chichanoski |
|---|---|
| Přispěvatelé: | Maria Bernadete de Morais França ., Leonimer Flávio de Melo, Flávio José de Oliveira Morais |
| Jazyk: | portugalština |
| Rok vydání: | 2022 |
| Zdroj: | Biblioteca Digital de Teses e Dissertações da UEL Universidade Estadual de Londrina (UEL) instacron:UEL |
| Popis: | O mundo vem sofrendo com o corona vírus desde 2019, quando o primeiro caso foi re latado, desde então foi disseminado por todo o mundo, causando perdas econômicas e humanas. O presente trabalho visa desenvolver um software para o diagnósticos visual de doenças pulmonares utilizando imagens de raio-x como base para o treinamento de redes neurais, visando ser mais esclarecedor da gravidade da doença. Utilizando datasets fornecidos gratuitamente pelos governos Americano e Chinês, foi realizado a segmentação do pulmão da imagem de raio-x, realizando o treinamento com recortes das imagens para o treinamento local. Após essa etapa, a rede realiza diversos recortes na imagem passando todas eles pela rede, gerando o vetor de probabilidade da imagem original. Esse processo foi repetido para cada rede. Assim a análise do entendimento da rede foi feita através do Grad-CAM gerado pelos modelos de redes pré treinadas através da transferência de aprendizado ResNet50V2, DenseNet121, InceptionResnetV2 e VGG-19, obtendo desem penho nos parâmetros de precisão e especificidade melhores que a literatura de referência. The world has been suffering from the corona virus since 2019, when the first case was reported, since then it has spread all over the world, causing economic losses and human. The present work aims to develop software for visual diagnostics of lung diseases using x-ray imaging as a basis for training neural networks, aiming to clarify the severity of the disease. Using datasets provided free of charge by the American and Chinese governments, segmentation was performed of the lung of the x-ray image, performing the training with clippings of the images to the local training. After this step, the network performs several clippings in the image, passing all of them through the network, generating the probability vector of the original image. This process was repeated for each network. Thus, the analysis of the understanding of the network is done through of the Grad-CAM generated by the models of ResNet50V2, DenseNet121, InceptionResnetV2 and VGG 19. Achieving performance in the parameters of precision and specificity better than the reference literature. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|