Publication
Aplicação de redes neuronais convolucionais para a classificação de úlceras do pé diabético
| datacite.subject.fos | Engenharia e Tecnologia | pt_PT |
| dc.contributor.advisor | Coelho, Luís Filipe Martins Pinto | |
| dc.contributor.author | Sequeira, Miguela Teixeira | |
| dc.date.accessioned | 2024-12-09T16:43:45Z | |
| dc.date.available | 2024-12-09T16:43:45Z | |
| dc.date.issued | 2024-10-18 | |
| dc.description.abstract | Esta tese explora a aplicação de redes neurais convolucionais (CNNs) para a classificação de úlceras do pé diabético, utilizando as arquiteturas VGG16, VGG19 e MobileNetV2. O objetivo principal é desenvolver e comparar modelos de deep learning capazes de identificar com precisão áreas lesionadas em imagens clínicas de pés diabéticos, ajudando na prevenção e no tratamento eficaz das úlceras. Foi realizado um estudo com base num conjunto de dados de imagens anotadas, avaliando o desempenho dos modelos em termos da accuracy, precisão, recall e F1-Score. A VGG19 destacou-se com uma accuracy de 93%, evidenciando uma capacidade superior de localizar lesões em imagens complexas, com ativações mais focadas nas áreas relevantes. A MobileNetV2, por outro lado, apresentou um bom desempenho em termos de eficiência computacional, sendo adequada para dispositivos móveis e ambientes com restrições de hardware, embora tenha apresentado um valor de accuracy ligeiramente inferior em relação às VGGs. O estudo também discute as limitações de cada arquitetura, como a maior tendência ao overfitting nos modelos mais profundos e a menor capacidade de abstração de detalhes clínicos no MobileNetV2. Os resultados indicam que o uso de CNNs tem grande potencial no diagnóstico clínico assistido por imagem, especialmente para patologias como o pé diabético, onde a deteção precoce e precisa é crucial para evitar amputações. | pt_PT |
| dc.description.abstract | This thesis investigates the application of convolutional neural networks (CNNs) for the classification of diabetic foot ulcers, using the VGG16, VGG19, and MobileNetV2 architectures. The primary objective is to develop and compare deep learning models capable of accurately identifying ulcerated regions in clinical images of diabetic feet, thereby aiding in the prevention and effective treatment of foot ulcers. A comprehensive study was conducted using an annotated dataset of medical images, evaluating the performance of the models in terms of accuracy, precision, recall, and F1-score. VGG19 achieved the highest accuracy at 93%, demonstrating superior ability to focus activations on relevant lesion areas in complex images. MobileNetV2, while slightly less accurate, excelled in computational efficiency, making it a suitable choice for mobile devices and environments with hardware constraints. The study also highlights the limitations of each architecture, such as increased risk of overfitting in deeper models and the lower capability of MobileNetV2 to capture fine clinical details. These findings suggest that CNNs hold significant potential in computer-aided clinical diagnosis, particularly in the early and precise detection of diabetic foot ulcers, where timely intervention is crucial to prevent amputations. | pt_PT |
| dc.identifier.tid | 203733720 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.22/26725 | |
| dc.language.iso | por | pt_PT |
| dc.subject | Convolutional neural networks | pt_PT |
| dc.subject | Medical image classification | pt_PT |
| dc.subject | Diabetic foot ulcers | pt_PT |
| dc.subject | Deep learning | pt_PT |
| dc.subject | Redes neurais convolucionais | pt_PT |
| dc.subject | Úlceras do pé diabético | pt_PT |
| dc.subject | Classificação de imagens médicas | pt_PT |
| dc.title | Aplicação de redes neuronais convolucionais para a classificação de úlceras do pé diabético | pt_PT |
| dc.title.alternative | Application of convolutional neural networks for the classification of diabetic foot ulcers | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Mestrado em Engenharia Biomédica | pt_PT |