Use este identificador para citar ou linkar para este item: http://repositorio.roca.utfpr.edu.br/jspui/handle/1/15704
Título: Redes neurais densamente conectadas para detecção de câncer de mama em imagens histopatológicas
Título(s) alternativo(s): Densely connected neural networks for breast cancer detection on histopathological images
Autor(es): Wentz, Vinicios Henrique
Orientador(es): Paula Filho, Pedro Luiz de
Palavras-chave: Redes neurais (Computação)
Medicina
Mamas - Câncer
Neural networks (Computer science)
Medicine
Breast - Cancer
Data do documento: 2-Jul-2019
Editor: Universidade Tecnológica Federal do Paraná
Câmpus: Medianeira
Referência: WENTZ, Vinicios Henrique. Redes neurais densamente conectadas para detecção de câncer de mama em imagens histopatológicas. 2019. Trabalho de Conclusão de Curso (Ciência da Computação) – Universidade Tecnológica Federal do Parana, Medianeira, 2019.
Resumo: Mesmo com todos os avanços das tecnologias medicas, o câncer continua sendo um dos maiores responsáveis por morte no mundo. Nas mulheres o câncer de mama é o segundo câncer com mais incidência, se diagnosticado precocemente pode ser curado. Um dos procedimentos de diagnósticos é a biopsia, que produz uma imagem que deve ser analisada através de um microscópio por um patologista. Com o grande avanço da visão computacional e aprendizado profundo, e possível fazer com que computadores auxiliarem médicos para uma melhor taxa de diagnósticos corretos, com as experiências dos médicos é o poder computacional das máquinas que hoje se tem. Pode-se melhorar a qualidade de vida de pessoas que sofrem desta enfermidade fazendo um diagnostico mais preciso e precoce. A DenseNet e uma arquitetura de redes neurais apresentadas em 2017 por Huang et al. (2017) que surgiram destes avanços, visando um melhor desempenho tem um padrão de conexão nunca antes vistos entre as camadas, lida muito bem com o problema da dissipação do gradiente e requer menos parâmetros. Este trabalho apresenta os conceitos chaves, técnicas e implementações para que esse objetivo em relação a medicina seja alcançado, será utilizado aprendizado profundo, redes neurais e processamento de imagem os quais mostraram a viabilidade de tal pratica aplicada na medicina para reconhecer imagens de biopsias dos seios que contenham câncer. Foram feitas classificações binarias e multi classes.
Abstract: Even with all the advances in medical technologies, cancer still is one of the biggest causes of death on earth. Women breast cancer is second cancer with more incidence if diagnosed early can be cured. One procedure to the diagnosis of cancer is the biopsy, which produces images that must be analyzed through a microscope by a pathologist. With computational vision and deep learning advances, it’s possible to have computer help doctors for a better rate of correct cancer diagnosis, with the experience of the doctors and the computational power of actual machines, the life quality of the people which suffer from cancer can be improved, doing diagnosis with more precision. The DenseNet is one architecture of the artificial neural network that emerged from these advances presented by Huang et al. (2017), aiming a better performance, has connection patterns never seen before between the layers, handles very well with the vanish gradient problem and requires fewer parameters. The following paper presents key concepts, techniques, and implementations to achieve this objective in relation to medicine, it will be used deep learning, neural network and image processing techniques that showed the viability of applying deep learning in medicine to recognize biopsy images of the breast region that may contain cancer Were made binary and multi-class classification in this work.
URI: http://repositorio.roca.utfpr.edu.br/jspui/handle/1/15704
Aparece nas coleções:MD - Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
redesneuraiscancermama.pdf12,47 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.