@phdthesis{98216,
  keywords = {clinical decision support system, Hanseníase, Skin cancer, convolutional neural network},
  author = {Gomes de Lim P. V. S.},
  title = {Sistema inteligente para apoio ao diagnóstico de câncer de pele e hanseníase usando análise digital de imagens e redes neurais artificiais profundas},
  abstract = {<p>O uso de inteligência artificial cresce continuamente em diversos setores, e no setor da saúde não é diferente. Aplicações de inteligência computacional ajudam aos profissionais da saúde no processo de diagnóstico, permitindo que este seja mais rápido e mais confiável. Segundo a Organização Mundial da Saúde (OMS), as doenças negligenciadas são aquelas doenças endêmicas que ocorrem em regiões subdesenvolvidas e que não possuem apelo suficiente para receberem investimentos do Estado ou do mercado. O Brasil é um dos países com mais casos de hanseníase, esta sendo uma das doenças classificadas como negligenciadas, chegando a uma taxa de detecção geral de novos casos de 13,23 por 100 mil habitantes em 2019. Com uma realidade diferente, mas também preocupante, o câncer é tido como uma das principais causas de morte e uma importante barreira para o aumento da expectativa de vida em todos os países do mundo. No Brasil, para cada ano do triênio 2020-2022 estima-se 625 mil novos casos de câncer, sendo o câncer de pele não melanoma o de maior incidência (177 mil). Este trabalho busca contribuir na detecção precoce da hanseníase e do câncer de pele com a criação de uma estrutura de apoio ao diagnóstico utilizando redes neurais artificiais profundas para extração de atributos, combinado a um algoritmo de classificação, de modo a reconhecer as doenças em imagens com lesões de pele. A fim de uma maior assertividade, foram propostos 7 diferentes cenários de experimentos envolvendo as doenças citadas, levando em conta tanto aspectos computacionais quanto relatos de profissionais da saúde. Foram analisadas as redes profundas LeNet, SqueezeNet, NASNetMobile, ResNet50 e Inception v3 combinadas a diversas configurações do classificador Random Forest. Com base nas métricas de avaliação definidas, observou-se que a arquitetura Inception v3 é aquela que normalmente gera melhores resultados e que, considerando um trade off entre performance e custo computacional, a configuração apropriada para o classificador é aquela com 100 árvores. Como consequência disso, o objetivo da pesquisa foi atingido, chegando em um eficiente sistema de apoio ao diagnóstico por imagem e não invasivo da hanseníase e do câncer de pele adaptado à realidade do Brasil.</p>
},
  year = {2023},
  journal = {Engenharia Biomédica do Centro de Tecnologia e Geociências},
  volume = {Programa de Pós-Graduação},
  pages = {1-100},
  publisher = {Universidade Federal de Pernambuco},
  url = {https://repositorio.ufpe.br/bitstream/123456789/50253/1/DISSERTA%C3%87%C3%83O%20Pedro%20Vitor%20Soares%20Gomes%20de%20Lima.pdf},
  language = {Por},
}