Das Montanhas de Minas ao Oceano : Os Caminhos da Ciência para um futuro sustentável
20 a 24 de outubro de 2025
Trabalho 21337
| Instituição | Universidade Federal de Viçosa |
|---|---|
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Dimensões Sociais: ODS3 |
| Setor | Instituto de Ciências Exatas e Tecnológicas |
| Conclusão de bolsa | Não |
| Primeiro autor | Filipe Ferreira Viana |
| Orientador | JOAO FERNANDO MARI |
| Título | Classificação de Tumores Cerebrais em Imagens de Ressonância Magnética Utilizando Deep Learning |
| Resumo | O presente trabalho propõe o desenvolvimento de um sistema de classificação automática de tumores cerebrais em imagens de ressonância magnética (MRI), utilizando arquiteturas modernas de redes neurais profundas. A identificação precoce e precisa desses tumores é essencial para definir estratégias médicas individualizadas e melhorar o prognóstico dos pacientes. No entanto, a interpretação manual desses exames demanda tempo e elevada especialização. Como alternativa, serão exploradas técnicas de aprendizado profundo, em especial redes neurais convolucionais (CNNs) e modelos baseados em Transformers, como o Vision Transformer (ViT), com o objetivo de automatizar a classificação das lesões cerebrais. Foram utilizados dois conjuntos de dados públicos disponíveis na plataforma Kaggle, abrangendo quatro classes: glioma, meningioma, tumor de hipófise e cérebros sem tumor. Serão realizados o pré-processamento das imagens, com redimensionamento, normalização e técnicas de aumento de dados (data augmentation). Os modelos implementados e comparados são: ResNet-50, DenseNet-121, Inception V3 e ViT-B16, utilizando a biblioteca PyTorch. O treinamento será conduzido em ambiente com GPU dedicada, empregando a entropia cruzada como função de perda e o otimizador Adam. A avaliação dos modelos será realizada com o uso de métricas de desempenho como acurácia, precisão, recall e F1-score, a fim de verificar a robustez e a capacidade de generalização dos modelos. Espera-se que os resultados obtidos apresentem alta acurácia e equilíbrio entre sensibilidade e especificidade, mesmo em cenários com dados desbalanceados. Como contribuições, espera-se que a solução desenvolvida contribua no desenvolvimento como ferramentas de apoio ao diagnóstico médico, auxiliando na detecção de tumores de forma mais rápida e precisa, reduzindo a carga de trabalho e otimizando o processo clínico. Além disso, este estudo busca avançar na literatura científica ao avaliar a capacidade de generalização de modelos treinados em um conjunto de dados e validados em um conjunto externo, ambos pertencentes ao mesmo domínio, mas provenientes de fontes distintas. Essa abordagem permite analisar a robustez dos modelos em cenários reais e reforça a viabilidade do uso de inteligência artificial e aprendizado profundo como suporte ao diagnóstico médico. |
| Palavras-chave | deep learning, tumor cerebral, classificação de imagens |
| Apresentações |
|
Clique na forma de apresentação para ver a apresentação.
| Link para apresentação | Vídeo |
|---|