Browsing by Author "Santos, Alessandro Feliz dos"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
- Elaboração Automática de Relatórios MédicosPublication . Santos, Alessandro Feliz dos; Marreiros, Maria Goreti CarvalhoA presente dissertação foi realizada num contexto empresarial na empresa FUJIFILM. Foi identificado um problema real e comum a muitos hospitais, o gasto excessivo de tempo e dinheiro no processo de elaboração de relatórios clínicos. Face este problema, apresenta-se uma forma alternativa de elaboração de relatórios que, passa pela previsão de texto mediante as palavras redigidas pelo utilizador. A solução proposta permite em primeiro lugar, diminuir o tempo da redação de relatórios, disponibilizando ao utilizador sugestões para o resto das suas frases. Em segundo lugar, permite reduzir os custos associados à contratação de técnicos de transcrição e compra de hardware/software necessários para a transcrição automática. Finalmente, em terceiro lugar, permitirá uma redução da ocorrência de erros ortográficos através da diminuição da quantidade de texto redigido. Durante o estudo do estado da arte foram identificadas três abordagens possíveis para a implementação do conceito idealizado, sendo elas: abordagens baseadas em regras; abordagens baseadas em estatística e probabilidade; e abordagens hibridas. De todos os métodos incluídos nas abordagens identificadas, destacam-se os três mais utilizados na previsão de texto, sendo eles: Redes Neuronais; NGrams; e Suffix Trees. Apôs analisadas as vantagens e desvantagens de cada abordagem e respetivos métodos, optou-se pela implementação de um sistema baseado no conceito de NGrams, principalmente pelos resultados positivos obtidos por outros autores e facilidade de implementação. É apresentado depois o desenho e implementação da solução proposta, onde se aborda o problema da performance, respetiva resolução e a configuração do sistema. Finamente, é apresentada a avaliação da solução desenvolvida, onde definimos para avaliação as seguintes métricas: tempo de redação de um relatório; percentagem de keystroke savings; e tempo médio de uma previsão. A partir destas métricas foi depois possível a formulação das hipóteses a testar, tendo-se obtido keystroke savings entre os 69 e os 90%, e tempos médios de previsão entre os 42 e 2 226 milisegundos, dependendo da configuração do sistema.
- Identificação de Marcos Anatómicos durante uma Endoscopia Digestiva com recurso a Redes NeuronaisPublication . Santos, Alessandro Feliz dos; Gueiral, Nuno Eduardo DiasAo longo da presente dissertação, é apresentado ao leitor todo o processo de desenvolvimento de uma solução que visa permitir a classificação de marcos anatómicos a partir de imagens endoscópicas. Uma solução desta natureza permite garantir que determinadas zonas do sistema digestivo foram alcançadas, assim como em que momento tal ocorreu. Com esta informação, é possível calcular indicadores de qualidade como, por exemplo, quanto tempo o gastroenterologista demorou a avaliar uma determinada secção do trato digestivo, um fator crucial para determinar a qualidade de um procedimento endoscópico. Para o desenvolvimento desta solução, foi implementada uma rede neuronal convolucional, mais concretamente a DenseNet-121. O modelo foi criado e avaliado utilizando o dataset Kvasir, um dataset público que contém imagens dos marcos anatómicos cego, piloro e linha Z. As métricas avaliadas foram as taxas de acerto e a velocidade de previsão recorrendo a uma placa gráfica. O modelo desenvolvido foi também avaliado sem a utilização da placa gráfica, de forma a avaliar a diferença entre ambos os cenários. Verificou-se que a utilização da placa gráfica é um requisito obrigatório para a integração do modelo desenvolvido numa solução de aquisição e processamento de vídeo em tempo real, já que permite a redução do tempo médio de previsão de 436,67 para 17 milissegundos, uma redução de 96,11 %. No que diz respeito às taxas de acerto, quando analisadas as classificações das imagens pertencentes ao mesmo dataset do utilizado no treino, verificou-se que os resultados obtidos foram bastante satisfatórios e positivos, tendo-se obtido uma taxa de acerto média na previsão de 97,33 %. No entanto, quando incluídas imagens não pertencentes ao dataset, ou seja, que não representem marcos anatómicos, verificou-se que a taxa de acerto desceu para os 78,75 %. Com isto, é possível concluir que o modelo desenvolvido apresenta um problema na classificação de imagens que não representem marcos anatómicos. Ainda assim, os resultados apresentados podem ser considerados promissores, mostrando que uma solução desta natureza pode ser viável, mas apenas se o problema identificado for resolvido. Para tal, sugere-se a adição de uma classe para a categorização de imagens que não representem marcos anatómicos, o que obriga à criação de um dataset para tal.