Use este identificador para citar ou linkar para este item:
https://arandu.iffarroupilha.edu.br/handle/itemid/713
Tipo: | Trabalho de Conclusão de Graduação |
Título: | Uso de uma rede neural convolucional para análise de raios-x de pulmão com detecção de covid-19, pneumonia e tuberculose |
Autor(es): | Munzlinger, Camila |
Orientador: | Yepes, Igor |
Resumo: | Devido à grande demanda de diagnósticos e laudos requeridos, à sobrecarga de horas de trabalho e á falta de tempo para a realização de um atendimento coerente com as necessidades dos pacientes, o período de trabalho de um médico radiologista se mostra deveras árduo. Com isso em mente, este artigo visa apresentar um sistema baseado em IA (Inteligência Artificial) desenvolvido para auxiliar os profissionais radiólogos na sua rotina de trabalho, agilizando o diagnóstico e disponibilizando tempo ao radiologista para um atendimento mais humanizado. No estudo é desenvolvido um modelo de IA com capacidade de diagnosticar doençaas pulmonares em imagens de raio-x, sendo elas covid-19, pneumonia e tuberculose. Para o desenvolvimento foram utilizadas a IDE do Google Colaboratory, a linguagem de programação Python, o modelo de redes neurais convolucionais e uma base de dados com imagens validadas para o treinamento da rede. Após o treinamento do modelo, este alcançou uma acurácia de 89% na realização do diagnóstico. |
Assunto(s): | Rede neural Covid-19 Inteligência artificial Diagnóstico |
Idioma: | por |
País: | Brasil |
Instituição: | Instituto Federal de Educação, Ciência e Tecnologia Farroupilha |
Sigla: | IFFAR |
Campus: | Campus Frederico Westphalen |
Tipo de acesso: | Acesso Aberto |
Nível acadêmico: | Graduação |
URI: | https://arandu.iffarroupilha.edu.br/handle/itemid/713 |
Data do documento: | 2025 |
Aparece nas coleções: | Ciências da Computação |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Artigo do TCC-1.pdf | 270,99 kB | Adobe PDF | Visualizar/Abrir |
Este item está licenciado sob uma Licença Creative Commons