Portal de Periódicos da CAPES

Artigo Acesso aberto Produção Nacional

BIBTEX RIS

TRANSFERÊNCIA DE APRENDIZADO PARA CATEGORIZAÇÃO DE PATOLOGIAS

2023; Volume: 3; Issue: 9 Linguagem: Português

10.56083/rcv3n9-022

2764-7757

César Alexandre Silva Lima, Sílvia Cristina Martini, Clayton Eduardo Dos Santos, Márcia Aparecida Silva Bissaco, Flávio Cézar Amate, Ana Paula Muller Giancoli, Alessandro Pereira da Silva, Terigi Augusto Scardovelli, Sílvia Regina Matos da Silva Boschi,

AI in cancer detection

O presente trabalho consiste no desenvolvimento de uma plataforma computacional online utilizada em sala de aula ou não como ferramenta de auxílio ao aprendizado, em especial, para interpretação de imagens médicas com diagnóstico baseado em imagens, tais como x-ray, tomografias, ressonâncias e afins. Os recursos oferecidos permitirão ao estudante identificar padrões de patologias em diversas regiões do corpo humano com diferentes níveis de dificuldade. A ferramenta oferece ainda formulários com questões relacionadas aos casos clínicos apresentados, elaboradas pelo professor, que deverão ser respondidas pelo estudante após a análise de cada caso. A plataforma é modular, desse modo, foi projetada para receber novos dados e funcionalidades constantemente. Nesse sentido, novas imagens, sem laudos, quando inseridas serão classificadas utilizando técnicas de inteligência artificial baseadas em aprendizado profundo, como CNN’s - Convolutional Neural Networks. O desenvolvimento da aplicação é fortemente apoiado no paradigma de computação em nuvem e suas API’s - Application Programming Interface, bem como na linguagem de programação python e em bibliotecas open source, como Tensorflow, Keras e Scikit-learn, necessárias para implementação de recursos de processamento de imagens voltados ao aprendizado de máquina por transferência de aprendizado. Foram desenvolvidos três modelos baseados nas arquiteturas de redes neurais InceptionResNetV2, ResNet50 e InceptionV3. A melhor eficácia demonstrada por um dos três modelos será o escolhido para integrar à plataforma computacional.