Utilizando transfer learning para apoio a tomada de decisão na classificação de pneumonia usando imagem de raio-x
| dc.creator | Oliveira, Lucas Patrick Ramos de | |
| dc.date.accessioned | 27/04/2026 | pt_BR |
| dc.date.accessioned | 2026-04-27T22:12:40Z | |
| dc.date.available | 2026-04-27T22:12:40Z | |
| dc.date.issued | 2025-07-30 | |
| dc.identifier.citation | SCHEFFER, M. et al. Demografia Médica no Brasil 2023. São Paulo: FMUSP; AMB; CFM; Cremesp, 2023. 344 p. ISBN 978‑65‑00‑60986‑8. Disponível em: https://www.fm.usp.br/fmusp/conteudo/DemografiaMedica2023.pdf. Acesso em: 11 jul. 2025. 2. BRASIL. Ministério da Saúde. 12/11 – Dia Mundial da Pneumonia. Biblioteca Virtual em Saúde do Ministério da Saúde, 2023. Disponível em: https://bvsms.saude.gov.br/?p=3085. Acesso em: Jul. 2025. 3. BERGMAN, B. G. et al. Effect of fatigue on diagnostic accuracy in radiology: A prospective, blinded, and paired reading study. Radiology, v. 262, n. 2, p. 313–319, 2012. DOI: https://doi.org/10.1148/radiol.11110994. 4. HALPERN, E. J. et al. Effect of Workload and Fatigue on Radiologic Error Rates. Radiographics, v. 40, n. 2, p. 497–503, 2020. DOI: https://doi.org/10.1148/rg.2020190129. 5. LITJENS, G. et al. A survey on deep learning in medical image analysis. Medical Image Analysis, v. 42, p. 60–88, 2017. DOI: https://doi.org/10.1016/j.media.2017.07.005. 6. George Karimpanal T, Bouffanais R. Self-organizing maps for storage and transfer of knowledge in reinforcement learning. Adaptive Behavior. 2018;27(2):111-126. doi:10.1177/1059712318818568 7. DEVI, S. Sathiya; PRITHIVIRAJ, K. Breast Cancer Classification With Microarray Gene Expression Data Based on Improved Whale Optimization Algorithm. Journal Name, 2023. 8. GE, Zongyuan; MAHAPATRA, Dwarikanath; SEDAI, Suman; GARNAVI, Rahil; CHAKRAVORTY, Rajib. Classificação das radiografias de tórax: um problema multi-rótulo e refinado. ArXiv, abs/1807.07247, 2018. Disponível em: https://arxiv.org/abs/1807.07247. Acesso em: [26/08/2024]. 9. LI, Yawei; WU, Xin; YANG, Ping; JIANG, Guoqian; LUO, Yuan. Machine Learning for Lung Cancer Diagnosis, Treatment, and Prognosis. Journal Name, 2022. 10. NAZIR, Imran; HAQ, Ihsan ul; ALQAHTANI, Salman A.; JADOON, Muhammad Mohsin; DAHSHAN, Mostafa. Machine Learning-Based Lung Cancer Detection Using Multiview Image Registration and Fusion. Journal Name,2023. 11. QIN, Pei; LUO, Yanan; CHEN, Yiyu; LI, Jingyuan; XIE, Dan; YE, Ting. Artificial intelligence in clinical applications for Lung cancer: diagnosis, treatment and prognosis. Journal Name, vol. XX, 2022. 12. REDMON, J. et al. You Only Look Once: Unified, Real-Time Object Detection. arXiv preprint arXiv:1506.02640, 2016. Disponível em: https://arxiv.org/abs/1506.02640. Acesso em: 14 jul. 2025. 14 13. MOONEY, Paul. Chest X-Ray Images (Pneumonia). Kaggle, 2018. Disponível em: https://www.kaggle.com/datasets/paultimothymooney/chest-xray-pneumonia. Acesso em: 14 jul. 2025. 14. YU, Lingming; TAO, Guangyu; ZHU, Lei; WANG, Gang; LI, Ziming; YE, Jianding; CHEN, Qunhui. Prediction of pathologic stage in non-small cell lung cancer using machine learning algorithm based on CT image feature analysis. Journal Name, 2019. 15. RODOCTOR. Dia do Pneumologista: homenagem da ProDoctor. Disponível em: https://prodoctor.net/blog/dia-do-pneumologista-homenagem-da-prodoctor/. Acesso em: 26/08/2024. 16. JOCHER, Glenn; CHAURASIA, Ayush; QIU, Jing. Ultralytics YOLOv8. Version 8.0.0. 2023. Disponível em: https://github.com/ultralytics/ultralytics. Licença: AGPL-3.0. 15 | pt_BR |
| dc.identifier.uri | https://repositorio.ifpe.edu.br/xmlui/handle/123456789/2136 | |
| dc.description.abstract | This work explores the use of deep learning techniques, such as Convolutional Neural Networks (CNNs) and the YOLO architecture, for the detection of lung diseases through chest X-ray images acquired via IoT devices. A balanced dataset of 3,252 images was used for training, and the adaptation of YOLO for classification tasks showed promising results in identifying pneumonia and tuberculosis. The best performance was observed in the fifth epoch, emphasizing the system’s potential as a decision-support tool in regions with limited access to medical specialists. The integration of these technologies can significantly expand access to accurate and efficient diagnostics in public health contexts. | pt_BR |
| dc.format.extent | p.16 | pt_BR |
| dc.language | pt_BR | pt_BR |
| dc.relation | Oliveira, Lucas Patrick Ramos de. Utilizando transfer Learning para apoio a tomada de decisão na classificação de pneumonia usando imagem de raio-x. Palmares: Instituto Federal de Educação Ciência e Tecnologia de Pernambuco, 2025, p.16. | 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.rights.uri | An error occurred getting the license - uri. | * |
| dc.subject | Redes Neurais Convolucionais. Deep Learning. YOLO. | pt_BR |
| dc.title | Utilizando transfer learning para apoio a tomada de decisão na classificação de pneumonia usando imagem de raio-x | pt_BR |
| dc.type | Article | pt_BR |
| dc.creator.Lattes | https://lattes.cnpq.br/6077008715015832 | pt_BR |
| dc.contributor.advisor1 | Silva, Diogo Lopes da. | |
| dc.contributor.advisor1Lattes | lattes: 9276635214661347 | pt_BR |
| dc.contributor.referee1 | Silva, Diogo Lopes da | |
| dc.contributor.referee2 | Silva, Rodrigo César Lira da | |
| dc.contributor.referee3 | Lima, Tiago Pessoa Ferreira de | |
| dc.contributor.referee1Lattes | lattes: 9276635214661347 | pt_BR |
| dc.contributor.referee2Lattes | https://lattes.cnpq.br/2442224050349612 | pt_BR |
| dc.contributor.referee3Lattes | https://lattes.cnpq.br/4861396173974431 | pt_BR |
| dc.publisher.department | Palmares | 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 | Este trabalho explora o uso de técnicas de aprendizado profundo, como Redes Neurais Convolucionais (CNNs) e a arquitetura YOLO, na detecção de doenças pulmonares por meio de radiografias de tórax obtidas por dispositivos IoT. Um modelo foi treinado com um conjunto de dados balanceado contendo 3.252 imagens, e a adaptação do YOLO para tarefas de classificação demonstrou resultados promissores na identificação de pneumonia e tuberculose. Os experimentos revelaram melhor desempenho na quinta época, destacando o potencial do sistema como ferramenta de apoio ao diagnóstico médico em regiões com escassez de especialistas. A aplicação dessas tecnologias pode contribuir significativamente para a ampliação do acesso a diagnósticos precisos e eficientes no contexto da saúde pública. | pt_BR |
