Cardoso, JaimeSilva, Regina Augusta Alves Pereira daRibeiro, Liliana Filipa Pinho2022-01-312022-01-312021-12-02http://hdl.handle.net/10400.22/19708O número de casos de cancro colorretal tem aumentado exponencialmente, fazendo desta doença oncológica uma das mais diagnosticadas mundialmente. No entanto, o número de patologistas disponíveis para a realização do diagnóstico mantem-se constante, o que leva a um aumento da carga de trabalho destes profissionais, bem como a um aumento no tempo de resposta ao doente. É, desta forma, urgente a criação de ferramentas que ajudem os patologistas a gerir mais eficazmente o seu trabalho. A aplicabilidade crescente da patologia digital e os correntes avanços na tecnologia, fazem do diagnóstico assistido por computador uma ferramenta promissora na patologia. Este trabalho teve como objetivos a criação de uma base de dados de amostras colorretaisa ser usada para treinar um algoritmo de deep learning para o diagnóstico de amostras colorretais, e a avaliação da precisão desse algoritmo. Foi construída uma base de dados com 10% das imagens anotadas. Com esta base foi possível fazer dois eventos de treino e teste do algoritmo, com um número crescente de amostras. Foram utilizadas três categorias de diagnóstico: benigno, lesão de baixo grau e lesão de alto grau. Para cada evento foi possível atingir uma precisão de 88,42% e 89,89%, respetivamente. Para o diagnóstico diferencial entre benigno e lesão obteve-se uma precisão de 96%. Apesar de ainda existirem algumas barreiras à implementação desta tecnologia na rotina patológica, o diagnóstico assistido por computador demonstra o potencial de auxiliar os patologistas numa mais eficaz gestão da sua carga laboral.porCancro colorretalPatologia digitalDiagnóstico assistido por computadorDeep learningTreino semi-supervisionadomaster thesis202901173