Percorrer por autor "Formosinho, Diogo Filipe Meireles"
A mostrar 1 - 1 de 1
Resultados por página
Opções de ordenação
- Sistema de deteção e prevenção de doenças pulmonaresPublication . Formosinho, Diogo Filipe Meireles; Martins, António Constantino LopesA análise de imagens médicas desempenha um papel fundamental no diagnóstico e tratamento de diversas condições de saúde. Entre as várias modalidades de imagens médicas, os raios X são amplamente utilizados devido à sua praticidade, baixo custo e capacidade de fornecer informações valiosas sobre o estado de saúde de um paciente. No entanto, a interpretação precisa e eficiente das radiografias requer conhecimento especializado e experiência clínica, o que pode ser limitado em determinados contextos. Neste contexto, o desenvolvimento de modelos capazes de analisar e interpretar radiografias de forma automatizada e precisa tem se tornado uma área de pesquisa promissora. Estes modelos têm o potencial de auxiliar radiologistas e médicos no diagnóstico precoce e no tratamento de diversas doenças e condições médicas. Existem algumas razões pelas quais o desenvolvimento de um modelo de análise automatizado de raios X é de grande relevância. A necessidade de resposta por serviços de saúde tem aumentado, e o número de radiografias a serem analisadas pode sobrecarregar os profissionais de saúde. Portanto, ter um modelo automatizado pode acelerar o processo de triagem e diagnóstico, permitindo um atendimento mais eficiente e reduzindo o tempo de espera dos pacientes. Foi desenvolvido um modelo de análise automatizado que é capaz de identificar e diagnosticar a presença de problemas e anomalias nas imagens radiográficas. O modelo utiliza técnicas de deep learning, como redes neuronais convolucionais, para extrair características relevantes das radiografias e realizar a classificação adequada. Na construção deste modelo também foi utilizado técnicas de pré processamento de imagem, para preparar todas as imagens que foram usadas no treino deste mesmo modelo, permitindo a melhor análise possível da mesma. No fim, o modelo foi capaz de reconhecer 14 doenças devido ao conjunto de dados usado no treino. Apesar de reconhecer 14 padrões (doenças) diferentes, depois de uma avaliação do modelo, foi percetível que o mesmo sente dificuldades em avaliar alguns destes padrões e retornar uma resposta válida, em contrapartida, tem uma boa performance na análise dos restantes casos principalmente quando a radiografia não apresenta problemas. A aplicação desenvolvida pretende atender aos critérios de desempenho e precisão necessários para torná-la uma ferramenta útil na prática clínica, sempre considerando a importância de uma análise final por parte de um radiologista ou médico especializado. É fundamental realçar que o modelo não substituirá a especialização clínica, mas sim servirá como uma valiosa ferramenta complementar para a tomada de decisão médica, possibilitando assim uma análise mais ágil.