Classificação de imagens de CT de tórax no contexto da COVID-19

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Shen, Liang
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:
Chest CT
COVID-19
CT de tórax
Deep-learning
Link de acesso: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-23042025-171642/
Resumo: Esta dissertação aborda o desenvolvimento de métodos computacionais para melhorar o acompanhamento de pacientes com COVID-19 por meio de tomografias computadorizadas (CT) de tórax. Enquanto abordagens tradicionais de aprendizado profundo se concentram na classificação de fatias isoladas e carecem de validação ampla em diferentes conjuntos de dados, esta pesquisa propõe o uso de agregadores para analisar o exame como um todo, explorando informações extraídas de modelos pré-treinados, como o COVIDNet. Os experimentos, realizados em diversos conjuntos de dados, incluindo um inédito do Hospital Universitário da USP (HU-USP), demonstraram que é possível alcançar alto desempenho com treinamento reduzido e sem a necessidade de segmentações manuais. Além disso, mostramos a viabilidade de reduzir a quantidade de fatias analisadas, o que pode viabilizar exames com menor exposição à radiação. Esses avanços destacam o potencial da inteligência artificial para tornar o acompanhamento da COVID-19 mais eficiente, adaptável e seguro para os pacientes.
id USP_dbb00c911260ff6dd0360f2db23d3cc2
oai_identifier_str oai:teses.usp.br:tde-23042025-171642
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Classificação de imagens de CT de tórax no contexto da COVID-19Classification of chest CT images in the context of COVID-19Chest CTCOVID-19COVID-19CT de tóraxDeep-learningDeep-learningEsta dissertação aborda o desenvolvimento de métodos computacionais para melhorar o acompanhamento de pacientes com COVID-19 por meio de tomografias computadorizadas (CT) de tórax. Enquanto abordagens tradicionais de aprendizado profundo se concentram na classificação de fatias isoladas e carecem de validação ampla em diferentes conjuntos de dados, esta pesquisa propõe o uso de agregadores para analisar o exame como um todo, explorando informações extraídas de modelos pré-treinados, como o COVIDNet. Os experimentos, realizados em diversos conjuntos de dados, incluindo um inédito do Hospital Universitário da USP (HU-USP), demonstraram que é possível alcançar alto desempenho com treinamento reduzido e sem a necessidade de segmentações manuais. Além disso, mostramos a viabilidade de reduzir a quantidade de fatias analisadas, o que pode viabilizar exames com menor exposição à radiação. Esses avanços destacam o potencial da inteligência artificial para tornar o acompanhamento da COVID-19 mais eficiente, adaptável e seguro para os pacientes.This dissertation focuses on the development of computational methods to improve the monitoring of COVID-19 patients using chest computed tomography (CT) scans. While traditional deep learning approaches often emphasize the classification of isolated slices and lack extensive validation across diverse datasets, this research proposes the use of aggregators to analyze the entire scan, leveraging features extracted from pre-trained models such as COVIDNet. Experiments conducted on various datasets, including a novel one from the University of São Paulo Hospital (HU-USP), demonstrated the feasibility of achieving high performance with minimal training and without the need for manual segmentations. Furthermore, the study highlights the potential to reduce the number of slices analyzed, enabling scans with lower radiation exposure. These advancements underscore the potential of artificial intelligence to make COVID-19 monitoring more efficient, adaptable, and safer for patients.Biblioteca Digitais de Teses e Dissertações da USPHirata, Nina Sumiko TomitaShen, Liang2025-03-18info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/45/45134/tde-23042025-171642/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/openAccesspor2025-05-05T19:01:02Zoai:teses.usp.br:tde-23042025-171642Biblioteca 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:27212025-05-05T19:01:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Classificação de imagens de CT de tórax no contexto da COVID-19
Classification of chest CT images in the context of COVID-19
title Classificação de imagens de CT de tórax no contexto da COVID-19
spellingShingle Classificação de imagens de CT de tórax no contexto da COVID-19
Shen, Liang
Chest CT
COVID-19
COVID-19
CT de tórax
Deep-learning
Deep-learning
title_short Classificação de imagens de CT de tórax no contexto da COVID-19
title_full Classificação de imagens de CT de tórax no contexto da COVID-19
title_fullStr Classificação de imagens de CT de tórax no contexto da COVID-19
title_full_unstemmed Classificação de imagens de CT de tórax no contexto da COVID-19
title_sort Classificação de imagens de CT de tórax no contexto da COVID-19
author Shen, Liang
author_facet Shen, Liang
author_role author
dc.contributor.none.fl_str_mv Hirata, Nina Sumiko Tomita
dc.contributor.author.fl_str_mv Shen, Liang
dc.subject.por.fl_str_mv Chest CT
COVID-19
COVID-19
CT de tórax
Deep-learning
Deep-learning
topic Chest CT
COVID-19
COVID-19
CT de tórax
Deep-learning
Deep-learning
description Esta dissertação aborda o desenvolvimento de métodos computacionais para melhorar o acompanhamento de pacientes com COVID-19 por meio de tomografias computadorizadas (CT) de tórax. Enquanto abordagens tradicionais de aprendizado profundo se concentram na classificação de fatias isoladas e carecem de validação ampla em diferentes conjuntos de dados, esta pesquisa propõe o uso de agregadores para analisar o exame como um todo, explorando informações extraídas de modelos pré-treinados, como o COVIDNet. Os experimentos, realizados em diversos conjuntos de dados, incluindo um inédito do Hospital Universitário da USP (HU-USP), demonstraram que é possível alcançar alto desempenho com treinamento reduzido e sem a necessidade de segmentações manuais. Além disso, mostramos a viabilidade de reduzir a quantidade de fatias analisadas, o que pode viabilizar exames com menor exposição à radiação. Esses avanços destacam o potencial da inteligência artificial para tornar o acompanhamento da COVID-19 mais eficiente, adaptável e seguro para os pacientes.
publishDate 2025
dc.date.none.fl_str_mv 2025-03-18
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/45/45134/tde-23042025-171642/
url https://www.teses.usp.br/teses/disponiveis/45/45134/tde-23042025-171642/
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_ 1865492302649098240

Registros relacionados