Use este identificador para citar ou linkar para este item: https://repositorio.ufpa.br/jspui/handle/2011/16765
Tipo: Dissertação
Data do documento: 30-Set-2024
Autor(es): SILVA, Ulrich Kauê Mendes Alencar da
Primeiro(a) Orientador(a): CASTRO, Adriana Rosa Garcez
Título: Classificação de tumores cerebrais: um estudo comparativo entre rede neural convolucional e rede neural convolucional com mecanismo de atenção
Agência de fomento: 
Citar como: SILVA, Ulrich Kauê Mendes Alencar da. Classificação de tumores cerebrais: um estudo comparativo entre rede neural convolucional e rede neural convolucional com mecanismo de atenção. Orientadora: Adriana Rosa Garcez Castro;. 2024. 68 f. Dissertação (Mestrado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2024. Disponível em:https://repositorio.ufpa.br/jspui/handle/2011/16765 . Acesso em:.
Resumo: Os tumores cerebrais são doenças neurológicas com elevado potencial de impacto na vida dos indivíduos acometidos, requerendo um diagnóstico rápido e preciso por meio de exames complementares de imagem, como a ressonância magnética, que é considerada padrão- ouro nesse processo. Considerando a necessidade de um diagnóstico mais rápido, sistemas de classificação baseados em Aprendizado de Máquina vêm sendo desenvolvidos e dentro deste contexto essa dissertação, tem como objetivo apresentar um estudo comparativo entre uma Rede Neural Convolucional (CNN) e uma CNN com mecanismo de atenção, desenvolvidas para a classificação de tumores cerebrais a partir de imagens de ressonância magnética. O estudo comparativo visa identificar o impacto do mecanismo de atenção no desempenho da CNN para classificação de tumores. Para desenvolvimento e avaliação dos modelos propostos foi utilizada uma base de dados pública, coletada do website Kaggle, e disponibilizada por Masoud Nickparvar, sendo esta composta por 7023 imagens de ressonâncias magnéticas cerebrais, segmentadas em quatro classes: glioma, meningioma, sem tumor e pituitário. Como resultado, a partir das métricas de desempenho obtidas, considerando a base de imagens usadas para teste em ambas as CNNs, observou-se uma melhora no desempenho da CNN após a introdução do mecanismo de atenção, onde a rede com esse mecanismo apresentou um aumento de 1.98% na métrica acurácia, 2.07% na métrica precisão, 2.18% na métrica sensibilidade e 1.72% na métrica F1-score em relação a CNN sem mecanismo de atenção, podendo ainda ser destacado os resultados obtidos em particular para a classe de tumor meningioma, visto que a CNN sem o mecanismo de atenção apresentou dificuldades para classificação desta classe e, após a integração do mecanismo de atenção o modelo obteve um aumento de acurácia de 6.54% para esta classe.
Abstract: Brain tumors are neurological diseases with a high potential impact on the lives of affected individuals, requiring a rapid and accurate diagnosis through complementary imaging tests, such as magnetic resonance imaging, which is considered the gold standard in this process. Considering the need for faster diagnosis, classification systems based on Machine Learning have been developed and within this context, this dissertation aims to present a comparative study between a Convolutional Neural Network (CNN) and a CNN with an attention mechanism, developed for the classification of brain tumors from magnetic resonance images. The comparative study aims to identify the impact of the attention mechanism on the performance of the CNN for tumor classification. For the development and evaluation of the proposed models, a public database was used, collected from the Kaggle website and made available by Masoud Nickparvar, which is composed of 7023 brain magnetic resonance images, segmented into four classes: glioma, meningioma, no tumor and pituitary. As a result, from the performance metrics obtained, considering the image base used for testing in both CNNs, an improvement in the CNN performance was observed after the introduction of the attention mechanism, where the network with this mechanism presented an increase of 1.98% in the accuracy metric, 2.07% in the precision metric, 2.18% in the sensitivity metric and 1.72% in the F1-score metric in relation to the CNN without the attention mechanism. It is also possible to highlight the results obtained in particular for the meningioma tumor class, since the CNN without the attention mechanism presented difficulties in classifying this class and, after the integration of the attention mechanism, the model obtained an accuracy increase of 6.54% for this class.
Palavras-chave: Tumores cerebrais
Iimagem de ressonância magnética
Redes neurais convolucionais
Mecanismo de atenção.
Brain tumors
Magnetic resonance images
Convolutional neural networks
Attention mechanism.
Área de Concentração: COMPUTAÇÃO APLICADA
Linha de Pesquisa: INTELIGÊNCIA COMPUTACIONAL
CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
País: Brasil
Instituição: Universidade Federal do Pará
Sigla da Instituição: UFPA
Instituto: Instituto de Tecnologia
Programa: Programa de Pós-Graduação em Engenharia Elétrica
Tipo de Acesso: Acesso Aberto
Attribution-NonCommercial-NoDerivs 3.0 Brazil
Fonte URI: Disponível via internert através do correio eletrônico: bibliotecaitec@ufpa.br
Aparece nas coleções:Dissertações em Engenharia Elétrica (Mestrado) - PPGEE/ITEC

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Dissertacao_ClassificacaoTumorCerebral.pdf1,81 MBAdobe PDFVisualizar/Abrir


Este item está licenciado sob uma Licença Creative Commons Creative Commons