| Campo Dublin Core | Valor | Língua |
| dc.contributor.advisor | Nascimento, Francisco Assis de Oliveira | - |
| dc.contributor.author | Passos, Pedro César Ribeiro | - |
| dc.identifier.citation | PASSOS, Pedro César Ribeiro. Extração de características em imagens médicas: análise de desempenho de CNNs e modelos de machine learning. 2025. 121 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) — Universidade de Brasília, Brasília, 2025. | pt_BR |
| dc.description | Trabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2025. | pt_BR |
| dc.description.abstract | A extração de características e classificação de imagens médicas é um campo de grande
relevância tanto para a comunidade acadêmica quanto para o setor de saúde. Diferente mente de técnicas tradicionais de análise de imagens, como transformadas de Fourier ou
Gabor, o uso de Redes Neurais Convolucionais (CNNs) tem se destacado por sua eficiên cia na detecção de padrões complexos, como bordas, texturas e formas. Este trabalho
explora a aplicação de CNNs para a extração de características e classificação de imagens
de raios-X, focando na identificação de anomalias, como pneumonia e outras patologias
pulmonares. Foram utilizadas diferentes arquiteturas de CNNs, como ResNet50, VGG19,
InceptionV3 e EfficientNetV2, cada uma com particularidades em termos de profundidade
e desempenho na extração de características. Para o processo de classificação, este estudo
utilizou algoritmos de Machine Learning clássicos, como Support Vector Machine (SVM),
modelos de Gradiente Boosting e árvores. O objetivo central foi comparar o desempenho
dessas arquiteturas e classificadores na tarefa de detectar anomalias em imagens médicas.
O processo abrange o pré-processamento das imagens, seguido da extração de caracterís ticas da imagem usando CNNs, e por fim a avaliação dos modelos com métricas como
acurácia, F1-Score, sensibilidade e especificidade. Como parte dos resultados, foi obser vada uma alta precisão na identificação de padrões relevantes quando o uso de CNNs é
feito em conjunto com algoritmos de classificação como SVM. | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.subject.keyword | Redes neurais (Computação) | pt_BR |
| dc.subject.keyword | Redes neurais convolucionais (Computação) | pt_BR |
| dc.subject.keyword | Processamento de imagens | pt_BR |
| dc.subject.keyword | Aprendizado de máquina | pt_BR |
| dc.title | Extração de características em imagens médicas: análise de desempenho de CNNs e modelos de machine learning | pt_BR |
| dc.type | Trabalho de Conclusão de Curso - Graduação - Bacharelado | pt_BR |
| dc.date.accessioned | 2026-08-20T18:07:33Z | - |
| dc.date.available | 2026-08-20T18:07:33Z | - |
| dc.date.submitted | 2025-06-06 | - |
| dc.identifier.uri | https://bdm.unb.br/handle/10483/45498 | - |
| dc.language.iso | Português | pt_BR |
| dc.rights.license | A 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.description.abstract1 | The extraction of features and classification of medical images is a field of great relevance
both to the academic community and the healthcare sector. Unlike traditional image
analysis techniques, such as Fourier or Gabor transforms, the use of Convolutional Neural
Networks (CNNs) has stood out for its efficiency in detecting complex patterns, such as
edges, textures, and shapes. This study explores the application of CNNs for feature
extraction and classification of X-ray images, focusing on the identification of anomalies
such as pneumonia and other pulmonary pathologies. Various CNN architectures were
employed, including ResNet50, VGG19, InceptionV3, and EfficientNetV2, each with par ticular characteristics in terms of depth and performance in feature extraction. For the
classification process, this study utilized classical Machine Learning algorithms, such as
Support Vector Machine (SVM), Gradient Boosting models, and decision trees. The main
objective was to compare the performance of these architectures and classifiers in detect ing anomalies in medical images. The process includes image preprocessing, followed by
feature extraction using CNNs, and finally, model evaluation using metrics such as ac curacy, F1-score, sensitivity, and specificity. As part of the results, a high accuracy in
identifying relevant patterns was observed when image feature extraction was combined
with classification algorithms such as SVM. | pt_BR |
| Aparece na Coleção: | Engenharia da Computação
|