Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/32470
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2021_JoaoViktorMota_RodrigoRios_tcc.pdf24,66 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.authorRios, Rodrigo Naves-
dc.contributor.authorMota, João Viktor de Carvalho-
dc.identifier.citationRIOS, Rodrigo Naves; MOTA, João Viktor de Carvalho. Desenvolvimento de técnicas para segmentação e detecção de glomerulopatias utilizando aprendizagem de máquina. 2021. 112 f., il. Trabalho de conclusão de curso (Bacharelado em Engenharia Mecatrônica) — Universidade de Brasília, Brasília, 2021.pt_BR
dc.descriptionTrabalho de conclusão de curso (graduação) — Universidade de Brasília, Faculdade de Tecnologia, Curso de Graduação em Engenharia de Controle e Automação, 2021.pt_BR
dc.description.abstractO emprego de técnicas em Aprendizado de Máquina (Machine Learning) de forma combinada às de Visão Computacional tem melhorado a performance de sistemas de visão. A análise automática de imagens é um campo em que essa interseção se aplica. O campo da Patologia Digital se vale de técnicas em Processamento Digital de Imagens e Visão Computacional para prover análises de tecidos biológicos. Na última década, métodos em Deep Learning, em especial as redes neurais convolucionais (CNNs), têm sido amplamente utilizados como ferramenta para análise de imagens histológicas. O trabalho desenvolvido apresenta a elaboração de técnicas automáticas para a segmentação de imagens dentro do escopo do problema de identificação de glomerulopatia em imagens histológicas renais. A segmentação proposta visa a extração de estruturas de células em imagens, para que se possa posteriormente identificar e classificar lesões com um grau significativo de precisão na detecção de núcleos e podócitos em imagens histológicas de glomérulos usando redes neurais convolucionais profundas. O modelo utilizado neste trabalho foi capaz de detectar núcleos com precisão média (AP) de 0,92. Com respeito às detecções de podócitos, o modelo alcançou AP de 0,70. Em ambos os casos, o resultado foi atingido por meio de emprego de pré-treino e da expansão do conjunto de dados.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordAprendizado de máquinapt_BR
dc.subject.keywordVisão por computadorpt_BR
dc.subject.keywordProcessamento de imagens - técnicas digitaispt_BR
dc.subject.keywordRedes neurais (Computação)pt_BR
dc.titleDesenvolvimento de técnicas para segmentação e detecção de glomerulopatias utilizando aprendizagem de máquinapt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2022-11-10T13:26:58Z-
dc.date.available2022-11-10T13:26:58Z-
dc.date.submitted2021-11-
dc.identifier.urihttps://bdm.unb.br/handle/10483/32470-
dc.language.isoPortuguêspt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.pt_BR
dc.contributor.advisorcoVidal, Flávio de Barros-
dc.description.abstract1The use of techniques in Machine Learning (Machine Learning) combined with Computer Vision has improved the performance of vision systems. Automatic image analysis is a fieldwhere this intersection applies. The area of Digital Pathology uses techniques in Digital Image Processing and Computer Vision to provide analysis of biological tissues. In the last decade, methods inDeep Learning, especially convolutional neural networks (CNNs), have been widely used as a tool for analyzing histological images. The work developed presents the developmentof automatic techniques for image segmentation within the scope of the problem of identifying glomerulopathy in renal histological images. The proposed segmentation aims at extracting cell structures in images. It can later identify and classify lesions with a significant degree of precisionin detecting nuclei and podocytes in histological images of glomeruli using deep convolutional neural networks. The model used in this work detected nuclei with an average precision (AP) of0.92. For podocyte detections, the model achieved an AP of 0.70. In both cases, the result was achieved by employing pre-training and expanding the dataset.pt_BR
Aparece na Coleção:Engenharia Mecatrônica



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.