Menu



Exportar registro bibliográfico

Trabalho de conclusao de curso - tcc

Estudo sobre transfer learning na detecção de distorção arquitetural em imagens mamográficas (2020)

  • Authors:
  • Autor USP: FERREIRA JUNIOR, DANIEL AMBROSIO - EESC
  • Unidade: EESC
  • Sigla do Departamento: SEL
  • Subjects: TRANSFERÊNCIA (APRENDIZAGEM); REDES NEURAIS; PROCESSAMENTO DE IMAGENS
  • Keywords: Redes neurais convolucionais.; Extração de características.; Distorção arquitetural mamária.
  • Language: Português
  • Abstract: O presente trabalho é um estudo sobre a utilização de transfer learning em redes neurais convolucionais profundas (CNN) pré-treinadas para a detecção de distorção arquitetural mamária em exames de mamografia digital. Foram utilizadas três arquiteturas distintas de CNN pré-treinadas no conjunto de imagens ImageNet da Universidade de Stanford, sendo elas VGG16, MobileNet e ResNet50. O estudo não apenas visou a verificação do comportamento das arquiteturas diferentes quando igualmente configuradas, como também teve por objetivo observar comparativamente o comportamento de modelos utilizando de uma a quatro camadas densas durante a técnica de extração de características. Os hiperparâmetros para todas as redes utilizadas no trabalho foram os mesmos: otimizador Adam e função de perda categorical cross entropy. Foi utilizada a técnica de validação cruzada k-fold, com k = 6, na tentativa de fazer com que os modelos gerados tivessem uma melhor capacidade de generalização. Portanto, para cada arquitetura diferente, as redes neurais foram treinadas 6 vezes para cada quantidade de camadas densas variando de um a quatro. Os modelos foram treinados utilizando um conjunto de exames clínicos de mamografia digital, recortados em janelas de 224x224 pixels com auxílio de um médico radiologista, com e sem a presença de distorção arquitetural. Foram realizados treinamentos com e sem a utilização de data augmentation. Foi possível observar que para a arquitetura MobileNet, as redes neurais treinadas com duas camadas densas apresentaram resultados ligeiramente superiores aos demais. Para o caso das acurácias médias, os modelos treinados com duas camadas foram cerca de 8% maior do que o segundo melhor caso no conjunto com data augmentation, possuindo diferença estatisticamente significativa comprovada pelo método de Wilcoxon em relação aos outros modelos com diferentes números de camadas. Já para a arquitetura VGG16, os resultados forambem similares entre si. O melhor desempenho obtido não ultrapassa em 1% o segundo melhor desempenho em acurácia. A arquitetura ResNet50, para todas as diferentes configurações de camadas densas, não foi capaz de aprender a identificar as distorções arquiteturais.
  • Imprenta:

    • Download do texto completo

    Tipo Nome Link
    Versão Publicada Ferreira_Junior_Daniel_Am... Direct link
    How to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

    • ABNT

      FERREIRA JUNIOR, Daniel Ambrósio. Estudo sobre transfer learning na detecção de distorção arquitetural em imagens mamográficas. 2020. Trabalho de Conclusão de Curso (Graduação) – Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos, 2020. Disponível em: https://bdta.abcd.usp.br/directbitstream/4637090b-a6e8-449d-b17a-5a7316417ff9/Ferreira_Junior_Daniel_Ambrosio.pdf. Acesso em: 16 mar. 2025.

    • APA

      Ferreira Junior, D. A. (2020). Estudo sobre transfer learning na detecção de distorção arquitetural em imagens mamográficas (Trabalho de Conclusão de Curso (Graduação). Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos. Recuperado de https://bdta.abcd.usp.br/directbitstream/4637090b-a6e8-449d-b17a-5a7316417ff9/Ferreira_Junior_Daniel_Ambrosio.pdf

    • NLM

      Ferreira Junior DA. Estudo sobre transfer learning na detecção de distorção arquitetural em imagens mamográficas [Internet]. 2020 ;[citado 2025 mar. 16 ] Available from: https://bdta.abcd.usp.br/directbitstream/4637090b-a6e8-449d-b17a-5a7316417ff9/Ferreira_Junior_Daniel_Ambrosio.pdf

    • Vancouver

      Ferreira Junior DA. Estudo sobre transfer learning na detecção de distorção arquitetural em imagens mamográficas [Internet]. 2020 ;[citado 2025 mar. 16 ] Available from: https://bdta.abcd.usp.br/directbitstream/4637090b-a6e8-449d-b17a-5a7316417ff9/Ferreira_Junior_Daniel_Ambrosio.pdf

    Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

    Biblioteca Digital de Trabalhos Acadêmicos da Universidade de São Paulo     2012 - 2025