Avaliação do erro de redes neurais artificiais como forma de detecção de novas classes e aplicabilidade a imagens de tomografia computadorizada de tórax

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Simões, Alvaro Dias
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
artificial intelligence
ciências da saúde
diagnostic
diagnóstico
health sciences
inteligência artificial
neural network
redes neurais
tomografia
tomography
Link de acesso: https://www.teses.usp.br/teses/disponiveis/43/43134/tde-15012026-150703/
Resumo: O acesso atual a um grande volume de dados, aliado ao aumento do poder de processamento dos computadores, permitiu uma expansão significativa no desenvolvimento e na utilização de aprendizagem de máquina, impactando múltiplos aspectos do nosso dia a dia, bem como o campo de pesquisa científica. Nas ciências médicas, em particular, especula-se uma revolução no cuidado ao paciente, possibilitando um acesso mais amplo a cuidados e levando a diagnósticos mais precisos, quando combinada com a análise médica tradicional. No entanto, o desenvolvimento na área da saúde enfrenta obstáculos, principalmente a disponibilidade de dados, que são difíceis de obter em grandes quantidades e com os parâmetros de qualidade e segurança exigidos. Essa é uma limitação que não se observa em humanos, capazes de aprender conceitos a partir de um número relativamente pequeno de exemplos ou por meio da identificação de diferenças e semelhanças com conceitos prévios. Neste trabalho buscou-se estudar a identificação de classes desconhecidas e realizar a reclassificação dos seus exemplos pelos valores de saída apresentados, aproximando se da capacidade humana de identificação de ocorrências não previamente observadas e criação de novas classes segundo a semelhança das já conhecidas. Foram realizados experimentos em três etapas, utilizando bases de dados de avaliação progressivamente mais complexa e com redução do número de exemplos: primeiramente MNIST, base de dígitos manuscritos, seguido de base com imagens geométricas criadas para este trabalho e, por fim, imagens tomográficas de banco de dados público (LIDC IDRI). O objetivo final foi a detecção de nódulos pulmonares nas imagens de tomografia de tórax por uma rede neural que não teve acesso prévio a imagens com lesões. Resultados foram positivos, embora limitados, principalmente devido à complexidade das imagens tomográficas, as quais necessitaram de maior preparo para utilização. Nesta dissertação, são detalhadas as dificuldades encontradas e as possíveis soluções.
id USP_3197993e60e3a77f7ab4a70f7069fc76
oai_identifier_str oai:teses.usp.br:tde-15012026-150703
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Avaliação do erro de redes neurais artificiais como forma de detecção de novas classes e aplicabilidade a imagens de tomografia computadorizada de tóraxEvaluation of artificial neural network error as a means of detecting new classes and its applicability to thoracic computed tomography imagesartificial intelligenceciências da saúdediagnosticdiagnósticohealth sciencesinteligência artificialneural networkredes neuraistomografiatomographyO acesso atual a um grande volume de dados, aliado ao aumento do poder de processamento dos computadores, permitiu uma expansão significativa no desenvolvimento e na utilização de aprendizagem de máquina, impactando múltiplos aspectos do nosso dia a dia, bem como o campo de pesquisa científica. Nas ciências médicas, em particular, especula-se uma revolução no cuidado ao paciente, possibilitando um acesso mais amplo a cuidados e levando a diagnósticos mais precisos, quando combinada com a análise médica tradicional. No entanto, o desenvolvimento na área da saúde enfrenta obstáculos, principalmente a disponibilidade de dados, que são difíceis de obter em grandes quantidades e com os parâmetros de qualidade e segurança exigidos. Essa é uma limitação que não se observa em humanos, capazes de aprender conceitos a partir de um número relativamente pequeno de exemplos ou por meio da identificação de diferenças e semelhanças com conceitos prévios. Neste trabalho buscou-se estudar a identificação de classes desconhecidas e realizar a reclassificação dos seus exemplos pelos valores de saída apresentados, aproximando se da capacidade humana de identificação de ocorrências não previamente observadas e criação de novas classes segundo a semelhança das já conhecidas. Foram realizados experimentos em três etapas, utilizando bases de dados de avaliação progressivamente mais complexa e com redução do número de exemplos: primeiramente MNIST, base de dígitos manuscritos, seguido de base com imagens geométricas criadas para este trabalho e, por fim, imagens tomográficas de banco de dados público (LIDC IDRI). O objetivo final foi a detecção de nódulos pulmonares nas imagens de tomografia de tórax por uma rede neural que não teve acesso prévio a imagens com lesões. Resultados foram positivos, embora limitados, principalmente devido à complexidade das imagens tomográficas, as quais necessitaram de maior preparo para utilização. Nesta dissertação, são detalhadas as dificuldades encontradas e as possíveis soluções.The current access to a large volume of data, combined with the increased processing power of computers, has enabled a significant expansion in the development and use of machine learning, impacting multiple aspects of our daily lives as well as the field of scientific research. In medical sciences, in particular, a revolution in patient care is speculated, allowing broader access to care and leading to more accurate diagnoses when combined with traditional medical analysis. However, development in the healthcare field faces obstacles, mainly the availability of data, which is difficult to obtain in large quantities and with the required quality and security standards. This is a limitation not observed in humans, who are capable of learning concepts from a relatively small number of examples or by identifying differences and similarities with prior concepts. This work aimed to study the identification of unknown classes and to reclassify their examples based on the output values presented, approaching the human ability to identify previously unobserved occurrences and create new classes according to their similarity with already known ones. Experiments were carried out in three stages, using datasets of progressively greater complexity and with a reduced number of examples: first MNIST, a database of handwritten digits, followed by a dataset with geometric images created for this work, and finally, tomographic images from a public database (LIDC IDRI). The ultimate goal was the detection of lung nodules in chest CT images by a neural network that had no prior access to images with lesions. The results were positive, although limited, mainly due to the complexity of the tomographic images, which required more preparation for use. This dissertation details the difficulties encountered and the possible solutions.Biblioteca Digitais de Teses e Dissertações da USPSuaide, Alexandre Alarcon do PassoSimões, Alvaro Dias2025-05-30info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/43/43134/tde-15012026-150703/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2026-01-16T19:35:02Zoai:teses.usp.br:tde-15012026-150703Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212026-01-16T19:35:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Avaliação do erro de redes neurais artificiais como forma de detecção de novas classes e aplicabilidade a imagens de tomografia computadorizada de tórax
Evaluation of artificial neural network error as a means of detecting new classes and its applicability to thoracic computed tomography images
title Avaliação do erro de redes neurais artificiais como forma de detecção de novas classes e aplicabilidade a imagens de tomografia computadorizada de tórax
spellingShingle Avaliação do erro de redes neurais artificiais como forma de detecção de novas classes e aplicabilidade a imagens de tomografia computadorizada de tórax
Simões, Alvaro Dias
artificial intelligence
ciências da saúde
diagnostic
diagnóstico
health sciences
inteligência artificial
neural network
redes neurais
tomografia
tomography
title_short Avaliação do erro de redes neurais artificiais como forma de detecção de novas classes e aplicabilidade a imagens de tomografia computadorizada de tórax
title_full Avaliação do erro de redes neurais artificiais como forma de detecção de novas classes e aplicabilidade a imagens de tomografia computadorizada de tórax
title_fullStr Avaliação do erro de redes neurais artificiais como forma de detecção de novas classes e aplicabilidade a imagens de tomografia computadorizada de tórax
title_full_unstemmed Avaliação do erro de redes neurais artificiais como forma de detecção de novas classes e aplicabilidade a imagens de tomografia computadorizada de tórax
title_sort Avaliação do erro de redes neurais artificiais como forma de detecção de novas classes e aplicabilidade a imagens de tomografia computadorizada de tórax
author Simões, Alvaro Dias
author_facet Simões, Alvaro Dias
author_role author
dc.contributor.none.fl_str_mv Suaide, Alexandre Alarcon do Passo
dc.contributor.author.fl_str_mv Simões, Alvaro Dias
dc.subject.por.fl_str_mv artificial intelligence
ciências da saúde
diagnostic
diagnóstico
health sciences
inteligência artificial
neural network
redes neurais
tomografia
tomography
topic artificial intelligence
ciências da saúde
diagnostic
diagnóstico
health sciences
inteligência artificial
neural network
redes neurais
tomografia
tomography
description O acesso atual a um grande volume de dados, aliado ao aumento do poder de processamento dos computadores, permitiu uma expansão significativa no desenvolvimento e na utilização de aprendizagem de máquina, impactando múltiplos aspectos do nosso dia a dia, bem como o campo de pesquisa científica. Nas ciências médicas, em particular, especula-se uma revolução no cuidado ao paciente, possibilitando um acesso mais amplo a cuidados e levando a diagnósticos mais precisos, quando combinada com a análise médica tradicional. No entanto, o desenvolvimento na área da saúde enfrenta obstáculos, principalmente a disponibilidade de dados, que são difíceis de obter em grandes quantidades e com os parâmetros de qualidade e segurança exigidos. Essa é uma limitação que não se observa em humanos, capazes de aprender conceitos a partir de um número relativamente pequeno de exemplos ou por meio da identificação de diferenças e semelhanças com conceitos prévios. Neste trabalho buscou-se estudar a identificação de classes desconhecidas e realizar a reclassificação dos seus exemplos pelos valores de saída apresentados, aproximando se da capacidade humana de identificação de ocorrências não previamente observadas e criação de novas classes segundo a semelhança das já conhecidas. Foram realizados experimentos em três etapas, utilizando bases de dados de avaliação progressivamente mais complexa e com redução do número de exemplos: primeiramente MNIST, base de dígitos manuscritos, seguido de base com imagens geométricas criadas para este trabalho e, por fim, imagens tomográficas de banco de dados público (LIDC IDRI). O objetivo final foi a detecção de nódulos pulmonares nas imagens de tomografia de tórax por uma rede neural que não teve acesso prévio a imagens com lesões. Resultados foram positivos, embora limitados, principalmente devido à complexidade das imagens tomográficas, as quais necessitaram de maior preparo para utilização. Nesta dissertação, são detalhadas as dificuldades encontradas e as possíveis soluções.
publishDate 2025
dc.date.none.fl_str_mv 2025-05-30
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.teses.usp.br/teses/disponiveis/43/43134/tde-15012026-150703/
url https://www.teses.usp.br/teses/disponiveis/43/43134/tde-15012026-150703/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1857669978987167744

Registros relacionados