| dc.creator | França, Aldenis Everton Alves Guilherme de | |
| dc.date.accessioned | 2024-10-27T00:04:11Z | |
| dc.date.available | 2024-10-27T00:04:11Z | |
| dc.date.issued | 2024-09-17 | |
| dc.identifier.citation | FRANÇA, Aldenis Everton Alves Guilherme de. Classificação de doenças respiratórias a partir de imagens raio-x de tórax usando redes neurais. 2024. 23 f. TCC (Graduação) - Curso de Tecnólogo em Análise e Desenvolvimento de Sistemas, Campus Jaboatão dos Guararapes, Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco, Jaboatão dos Guararapes, 2024. | pt_BR |
| dc.identifier.uri | https://repositorio.ifpe.edu.br/xmlui/handle/123456789/1413 | |
| dc.description.abstract | Early and accurate detection of respiratory diseases, such as COVID-19 and
pneumonia, is extremely important for effective treatment and control of the spread of
these diseases. With recent advances in machine learning techniques, particularly
convolutional neural networks (CNNs), it has become possible to use X-ray images
to aid in the classification of these diseases. In this article, we explore the application
of neural networks in classification COVID-19 and pneumonia using X-ray images,
discussing the challenges, approaches and results achieved so far | pt_BR |
| dc.format.extent | 23f. | pt_BR |
| dc.language | pt_BR | pt_BR |
| dc.relation | Biblioteca Virtual em Saúde do Ministério da Saúde. Covid 19. Brasil: out. 2021. Disponível em: https://bvsms.saude.gov.br/covid-19-2/. Acesso em: 25 maio 2023.
CECCON, Denny. Funções de ativação: definição, características, e quando usar cada uma. Expert Academy, 2020. Disponível em: https://iaexpert.academy/2020/05/25/funcoes-de-ativacao-definicao-caracteristicas-e-quando-usar-cada-uma/. Acesso em: 25 jul 2024.
CERQUETANI, Samantha. Raio-X do tórax: o que é, para que serve e como é feito. Nav DASA, 19 jul. 2023. Disponível em: https://nav.dasa.com.br/blog/raio-x-do-torax. Acesso em: 12 jul. 2024.
CHOLLET, François. Xception: Deep Learning with Depthwise Separable Convolutions. In: IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, Honolulu. Anais [...]. Honolulu: IEEE Conference on Computer Vision and Pattern Recognition, p. 1800-1807. Online. Disponível em: https://arxiv.org/pdf/1610.02357. Acesso em: 25 jul. 2024.
GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep Learning. Cambridge: MIT Press, 2016. Disponível em: https://www.deeplearningbook.org. Acesso em: 12 jul. 2024.
HAYKIN, Simon. Redes Neurais: Princípios e Prática. 2. ed. Porto Alegre: Bookman, 2001.
HE, Kaiming; ZHANG, Xiangyu; REN, Shaoqing; SUN, Jian. Deep Residual Learning for Image Recognition. In: IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, Las Vegas. Anais [...]. Las Vegas: IEEE Conference on Computer Vision and Pattern Recognition, p. 770-778, DOI: 10.1109/CVPR.2016.90. Online. Disponível em: https://www.cvfoundation.org/openaccess/content_cvpr_2016/papers/He_Deep_Residual_Learning_CVPR_2016_paper.pdf. Acesso em: 10 jul. 2024.
Keras. Keras applications. https://keras.io/applications/. Acesso em: 28 ago. 2024.
KINGMA, Diederik P.; BA, Jimmy Lei. Adam: A method for Stochastic Optimization. In: 3rd International Conference on Learning Representations (ICLR 2015), 2015, San Diego. Anais [...]. San Diego: International Conference on Learning Representations. Online. Disponível em: https://arxiv.org/pdf/1412.6980.pdf. Acesso em: 31 jul 2024.
KRIZHEVSKY, Alex; SUTSKEVER, Ilya; HINTON, Geoffrey. ImageNet classification with deep convolutional neural networks. In: 26th Annual Conference on Neural Information Processing Systems, 2012, Lake Tahoe, Nevada. Anais [...]. Lake Tahoe, Nevada: Advances in Neural Information Processing Systems 25, p. 1097-1105. Online. Disponível em: https://proceedings.neurips.cc/paper_files/paper/2012/file/c399862d3b9d6b76c843 6e924a68c45b-Paper.pdf. Acesso em: 31 ago. 2024.
KUMAR, Sachin; SHASTRI, Sourabh; MAHAJAN, Shilpa et al. LiteCovidNet: A lightweight deep neural network model for detection of COVID-19 using X-ray images. International Journal of Imaging Systems and Technology, Boston, v. 32, n. 5, p. 1464-1480, set. 2022. Disponível em: https://doi.org/10.1002/ima.22770. Acesso em: 28 ago. 2024.
LAKATOS, Eva Maria; MARCONI, Marina de Andrade. Fundamentos de metodologia científica. 8. ed. São Paulo: Atlas, 2017.
MARCOS, Marcelo. Família aponta que possível erro de diagnóstico na UPA pode ter levado mulher à morte em Francisco Beltrão. Grupo RBJ de Comunicação, Francisco Beltrão, 30 dez. 2022. Disponível em: https://rbj.com.br/familia-aponta-que-possivel-erro-de-diagnostico-na-upa-pode-ter-levado-mulher-a-morte-em-francisco-beltrao/. Acesso em: 27 maio 2023.
RUSSAKOVSKY, Olga et al. Imagenet large scale visual recognition challenge. International Journal of Computer Vision, v. 115, n. 3, p. 211-252, dez. 2015. Disponível em: https://arxiv.org/pdf/1409.0575. Acesso em: 24 jul. 2024.
SHASTRI, Sourabh; KANSAL, Isha; KUMAR, Sachin et al. CheXImageNet: a novel architecture for accurate classification of Covid-19 with chest x-ray digital images using deep convolutional neural networks. Health and Technology, v. 12, n. 1, p. 193-204, jan. 2022. Disponível em: https://doi.org/10.1007/s12553-021-00630-x. Acesso em: 28 ago. 2024.
SIMONYAN, Karen; ZISSERMAN, Andrew. Very Deep Convolutional Networks for Large-Scale Image Recognition. In: 3rd International Conference on Learning Representations (ICLR 2015), 2015, San Diego. Anais [...]. San Diego: International Conference on Learning Representations. Online. Disponível em: https://arxiv.org/pdf/1409.1556. Acesso em: 10 jul. 2024.
SZEGEDY, Christian et al. Going deeper with convolutions. In: IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015, Boston. Anais [...]. Boston: IEEE Conference on Computer Vision and Pattern Recognition, p. 1-9, doi: 10.1109/CVPR.2015.7298594. Disponível em: https://arxiv.org/abs/1409.4842. Acesso em: 09 jul. 2024.
THOMAS, R. How (and why) to create a good validation set. Fast.ai, 2017. Disponível em: https://www.fast.ai/posts/2017-11-13-validation-sets.html. Acesso em: 28 ago. 2024. TSANG, S.-H. Review: Xception - with depthwise separable convolution, better than Inception-v3 (Image Classification). Towards Data Science, 2018. Disponível em: https://towardsdatascience.com/review-xception-with-depthwise-separable-convolution-better-than-inception-v3-image-dc967dd42568. Acesso em: 28 ago. 2024.
UNESCO. Recomendação da UNESCO sobre Ciência Aberta. Tradução para o português. Paris: UNESCO, 2022. Disponível em: https://unesdoc.unesco.org/ark:/48223/pf0000379949_por. Acesso em: 10 set. 2024. VARELLA, Drauzio. Pneumonia. Biblioteca Virtual em Saúde do Ministério da Saúde. Brasil: maio 2011. Disponível em: https://bvsms.saude.gov.br/pneumonia-5/. Acesso em: 25 maio 2023. | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.rights | An error occurred on the license name. | * |
| dc.rights.uri | An error occurred getting the license - uri. | * |
| dc.subject | COVID-19 (Doença) | pt_BR |
| dc.subject | Pneumonia | pt_BR |
| dc.subject | Redes neurais (Computação) | pt_BR |
| dc.subject | Networks, Neural (Computer science) | pt_BR |
| dc.subject | Raios-X | pt_BR |
| dc.subject | Inteligência artificial | pt_BR |
| dc.subject | Tecnologia da Informação e Comunicação | pt_BR |
| dc.title | Classificação de doenças respiratórias a partir de imagens raio-x de tórax usando redes neurais | pt_BR |
| dc.type | Article | pt_BR |
| dc.creator.Lattes | http://lattes.cnpq.br/3094916404948698 | pt_BR |
| dc.contributor.advisor1 | Silva, Maria Carolina Torres da | |
| dc.contributor.advisor1Lattes | http://lattes.cnpq.br/6577076443532261 | pt_BR |
| dc.contributor.referee1 | Rodrigues Neto, Josino | |
| dc.contributor.referee2 | Oliveira, Rodrigo Felipe Albuquerque Paiva de | |
| dc.contributor.referee3 | Cabral, Luciano de Souza | |
| dc.contributor.referee1Lattes | http://lattes.cnpq.br/9 966676370707957 | pt_BR |
| dc.contributor.referee2Lattes | http://lattes.cnpq.br/5 710920004466372 | pt_BR |
| dc.contributor.referee3Lattes | http://lattes.cnpq.br/9 195362898891079 | pt_BR |
| dc.publisher.department | Jaboatão dos Guararapes | pt_BR |
| dc.publisher.country | Brasil | pt_BR |
| dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO | pt_BR |
| dc.description.resumo | A detecção precoce e precisa de doenças respiratórias, como COVID-19 e
pneumonia, é de extrema importância para o tratamento eficaz e controle da
disseminação dessas doenças. Com avanços recentes em técnicas de aprendizado
de máquina, particularmente redes neurais convolucionais (CNNs), tornou-se
possível utilizar imagens de raio-X para auxiliar na classificação dessas doenças.
Neste artigo, exploramos a aplicação de redes neurais na classificação de
COVID-19 e pneumonia usando imagens de raio-X, discutindo os desafios,
abordagens e resultados alcançados até agora | pt_BR |
