Avaliação de modelos de detecção de objetos na identificação de doenças pulmonares e cardíacas em imagens de raio-x torácicos
| dc.contributor.advisor1 | PINHEIRO, Daniel da Conceição | |
| dc.contributor.advisor1Lattes | http://lattes.cnpq.br/2970581734279237 | pt_BR |
| dc.creator | PEREIRA, Lucas Vitor Loch | |
| dc.date.accessioned | 2024-10-29T19:23:51Z | |
| dc.date.available | 2024-10-29T19:23:51Z | |
| dc.date.issued | 2024-10-04 | |
| dc.description.abstract | Pulmonary and cardiac diseases represent one of the greatest challenges to public health, accounting for a significant global mortality rate, a scenario that has been further aggravated by the COVID-19 pandemic, which has highlighted the importance of early and accurate diagnoses. In this context, chest radiography stands out as one of the most effective methods for detecting these pathologies, as it allows a detailed analysis of the rib cage, lungs, and heart, providing crucial information for diagnosis and clinical follow-up. This work proposes a comparative analysis between four object detection models — YOLOv5, YOLOv8, Faster R-CNN, and RetinaNet — with the aim of evaluating which one presents the best performance in accuracy and sensitivity in identifying lung and heart diseases in chest X-ray images. The research examines the specific characteristics of each model, considering its effectiveness in identifying various pathologies, such as atelectasis, cardiomegaly, effusion, infiltration and pneumonia, and explores evaluation metrics, such as accuracy, sensitivity and false positive rate, to determine which model stands out in clinical practice. The expected results aim to contribute to the advancement of automated detection of these diseases, offering a solid basis for the implementation of artificial intelligence technologies in clinical settings, with the aim of improving diagnostic accuracy and, consequently, patient outcomes. | pt_BR |
| dc.description.resumo | 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. | pt_BR |
| dc.identifier.citation | 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:. | pt_BR |
| dc.identifier.uri | https://bdm.ufpa.br/jspui/handle/prefix/7383 | |
| dc.rights | Acesso Aberto | pt_BR |
| dc.source.uri | Disponível na internet via Sagitta | pt_BR |
| dc.subject | Doenças pulmonares | pt_BR |
| dc.subject | Doenças cardíacas | pt_BR |
| dc.subject | Radiografia torácica | pt_BR |
| dc.subject | Detecção de objetos | pt_BR |
| dc.subject | YOLO | pt_BR |
| dc.subject | Pulmonary diseases | pt_BR |
| dc.subject | Cardiac diseases | pt_BR |
| dc.subject | Chest radiography | pt_BR |
| dc.subject | Object detection | pt_BR |
| dc.subject.cnpq | CNPQ::ENGENHARIAS | pt_BR |
| dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO::ANALISE DE ALGORITMOS E COMPLEXIDADE DE COMPUTACAO | pt_BR |
| dc.subject.cnpq | CNPQ::CIENCIAS DA SAUDE::MEDICINA::RADIOLOGIA MEDICA | pt_BR |
| dc.title | Avaliação de modelos de detecção de objetos na identificação de doenças pulmonares e cardíacas em imagens de raio-x torácicos | pt_BR |
| dc.type | Trabalho de Curso - Graduação - Monografia | pt_BR |