Use este identificador para citar ou linkar para este item:
https://repositorio.pucgoias.edu.br/jspui/handle/123456789/3715
Tipo: | Trabalho de Conclusão de Curso |
Título: | Classificação de tumores utilizando imagens hiperspectrais e redes neurais convolucionais |
Autor(es): | Reis, David de Melo Almeida dos |
Primeiro Orientador: | Coelho, Clarimar José |
metadata.dc.contributor.advisor-co1: | Vitória, Arthur Ricardo de Sousa |
metadata.dc.contributor.referee2: | Fleury, Gabriela Rocha de Oliveira |
Resumo: | O uso de imagem hiperespectral (hyperspectral image, HSI), junto a modelos de classificação que utilizam de informações espaciais, ainda é uma abordagem pouco explorada. Este trabalho propõe um modelo de aprendizado profundo, que utiliza tanto de informações espaciais quanto espectrais, presentes na HSI. A faixa de comprimento de onda, dos espectros analisados, estão na região do infravermelho de Ondas Curtas (Short Wave InfraRed, SWIR). Foram analisadas amostras de tecido epitelial humano divididas entre: Melanoma, Nevo Displasico e Pele Saudavel. Os resultados obtidos, mostram que o tecido epitelial humano é sensível ao SWIR, e que é possível utilizar modelos de aprendizado profundo, junto com imagens HSI-SWIR, na diferenciação de tecidos saudáveis e tecidos contendo Melanoma. Essa diferenciação possibilita a utilização de uma ferramenta automatizada, como método complementar para diagnóstico precoce de tecidos tumorais. |
Abstract: | The use of hyperspectral imaging (HSI) together with models of classification that use spatial information, is still a little approach. explored. This work proposes a deep learning model, which uses so much of spatial and spectral information, present in the HSI. the long range of the analyzed spectra are in the short wave infrared region (Short Wave InfraRed, SWIR). Samples of human epithelial tissue were analyzed divided between: Melanoma, Dysplastic Nevus and Healthy Skin. The obtained results, show that human epithelial tissue is sensitive to SWIR, and that it is possible to use deep learning models, along with HSI-SWIR images, in differentiation of healthy tissues and tissues containing Melanoma. This differentiation allows the use of an automated tool, as a complementary method to early diagnosis of tumor tissue. |
Palavras-chave: | Aprendizado profundo Imagem hiperespectral Infravermelho de ondas curtas |
CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
Idioma: | por |
País: | Brasil |
Editor: | Pontifícia Universidade Católica de Goiás |
Sigla da Instituição: | PUC Goiás |
metadata.dc.publisher.department: | Escola Politécnica |
Tipo de Acesso: | Acesso Aberto |
URI: | https://repositorio.pucgoias.edu.br/jspui/handle/123456789/3715 |
Data do documento: | 9-Dez-2021 |
Aparece nas coleções: | TCC Engenharia de Computação |
Arquivos associados a este item:
Arquivo | Tamanho | Formato | |
---|---|---|---|
TCC2.pdf | 702,68 kB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.
Ferramentas do administrador