Acceso usuarios
Brasil
La visión por computadora se ocupa de extraer información de imágenes e identificar y clasificar objetos presentes en esa imagen. Entre las áreas de aplicación de la visión por computadora podemos mencionar: robótica, ciudades inteligentes y medicina. En medicina, los diagnósticos médicos pueden complementarse con el uso de imágenes capturadas por rayos x, tomografía computarizada, resonancia magnética y ultrasonido. Varios campos de la medicina se han beneficiado de la mejora del diagnóstico mediante imágenes, en particular la oncología. Con el crecimiento en el uso del aprendizaje automático para la toma de decisiones en diversas aplicaciones reales, la forma de realizar el análisis de exámenes de imágenes con aplicaciones clínicas para ayudar en la toma de decisiones se ha convertido en una solución viable. Las aplicaciones clínicas que utilizan un enfoque basado en redes neuronales de aprendizaje profundo pueden determinar con gran precisión si el paciente está sano, tiene un tumor maligno o benigno. En este contexto, este trabajo evalúa modelos de redes neuronales de aprendizaje profundo para clasificar el cáncer de mama mediante exámenes de imagen. Los resultados se lograron realizando una evaluación del desempeño de varias redes neuronales, considerando ajustes a la primera arquitectura utilizada y modelos predefinidos de la biblioteca keras. Las simulaciones muestran que el primer modelo construido y parte de sus variaciones, así como los modelos resnet152v2 e inceptionresnetv2, adoptados para el análisis comparativo, lograron una precisión del 97,72% en la clasificación del cáncer de mama
A visão computacional trata da extração de informações das imagens e da identificação e classificação de objetos presentes nessa imagem. Dentre as áreas de aplicações da visão computacional podem-se citar: robótica, cidades inteligentes e medicina. Na medicina, diagnósticos médicos podem ser auxiliados com o uso de imagens capturadas por raios x, tomografia computadorizada, ressonância magnética e ultrassonografia. Vários campos da medicina têm se beneficiado com o aprimoramento de diagnósticos por meio de imagens, em particular, a oncologia. Com o crescimento da utilização do aprendizado de máquina para tomada de decisão em diversas aplicações reais, a forma de realização da análise de exames de imageamento com aplicações clínicas para o auxílio na tomada de decisões têm se tornado uma solução viável. As aplicações clínicas que utilizam uma abordagem baseada em redes neurais de aprendizado profundo podem determinar com alta precisão se o paciente está saudável, com tumor maligno ou benigno. Nesse contexto, este trabalho realiza uma avaliação modelos de redes neurais de aprendizagem profunda para classificação de câncer de mama utilizando exames de imageamento. Os resultados foram alcançados a partir da realização de avaliação de desempenho de diversas redes neurais, considerando ajustes na primeira arquitetura utilizada e modelos pré-definidos da biblioteca keras. As simulações mostram que o primeiro modelo construído e parte de suas variações, bem como os modelos resnet152v2 e inceptionresnetv2, adotados para a análise comparativa, atingiram a acurácia de 97,72% na classificação do câncer de mama.
Computer vision deals with the extraction of information from images and the identification and classification of objects present in that image. Some of the areas of application of computer vision include: robotics, smart cities and medicine. In medicine, medical diagnoses can be aided by the use of images captured by x-rays, computed tomography, magnetic resonance imaging and ultrasound. Several fields of medicine have benefited from the improvement of diagnostics through images, in particular, oncology. With the growth of the use of machine learning for decision-making in several real-world applications, the method of performing the analysis of imaging exams with clinical applications to aid in decision-making has become a viable solution. Clinical applications that use an approach based on deep learning neural networks can determine with high accuracy whether the patient is healthy, has a malignant or benign tumor. In this context, this work evaluates deep learning neural network models for the classification of breast cancer using imaging exams. The results were achieved by evaluating the performance of several neural networks, considering adjustments to the first architecture used and predefined models from the keras library. The simulations show that the first model built and some of its variations, as well as the resnet152v2 and inceptionresnetv2 models adopted for the comparative analysis, achieved an accuracy of 97.72% in the classification of breast cancer.
