CLASSIFICAÇÃO DE RAIO-X CORPORAL: UMA ABORDAGEM UTILIZANDO REDES NEURAIS CONVOLUCIONAIS
| Dublin Core | Metadados para o PKP | Metadados do documento | |
| 1. | Título | Título do documento | CLASSIFICAÇÃO DE RAIO-X CORPORAL: UMA ABORDAGEM UTILIZANDO REDES NEURAIS CONVOLUCIONAIS |
| 2. | Autor | Nome do Autor, afiliação institucional, país | Diogo Rezende; Universidade Presbiteriana Mackenzie Faculdade de Computação e Informática; Brasil |
| 2. | Autor | Nome do Autor, afiliação institucional, país | Gustavo Sampaio; Universidade Presbiteriana Mackenzie Faculdade de Computação e Informática |
| 3. | Assunto | Área(s) do Conhecimento | |
| 3. | Assunto | Palavras-chave(s) | Redes Neurais Convolucionais, YOLOv8, Classificação de Raio-X, Diagnóstico Auxiliado por Computador, Aprendizado Profundo. |
| 4. | Descrição | Resumo | Fraturas do úmero proximal representam um desafio diagnóstico, cuja avaliação depende de exames de imagem como a radiografia. Buscando otimizar essa análise, este projeto de iniciação científica propõe o desenvolvimento de um sistema de diagnóstico auxiliado por computador (CAD) para a classificação de imagens de raio-x corporais. O objetivo principal foi construir a primeira etapa de um modelo capaz de identificar a parte do corpo em uma radiografia, utilizando para isso uma abordagem de aprendizado profundo. A metodologia envolveu a utilização de uma base de dados pública da plataforma Hugging Face, contendo imagens de mão, ombro e perna. Foi aplicado o pré-processamento para padronizar as imagens em 640x640 pixels. O modelo de rede neural convolucional YOLOv8, em suas variantes nano (n) e medium (m), foi treinado e avaliado com diferentes hiperparâmetros. Os resultados indicaram um desempenho modesto, com a melhor configuração (YOLOv8n) atingindo uma acurácia de 59,34%. Embora os valores não tenham alcançado a expectativa inicial, possivelmente devido à qualidade e desbalanceamento dos dados, o estudo demonstrou o potencial do YOLOv8 para aplicações médicas. As limitações e os resultados obtidos servem como base para trabalhos futuros, que podem focar na curadoria de dados e na exploração de outras arquiteturas. |
| 5. | Editora | Editora, localização | |
| 6. | Contribuidor | Patrocínio | |
| 7. | Data | (YYYY-MM-DD) | 2025-12-17 |
| 8. | Tipo | Situação & gênero | Documento avaliado pelos pares |
| 8. | Tipo | Tipo | |
| 9. | Formato | Formato do Documento | |
| 10. | Identificador | Identificador Universal Único (URI) | http://eventoscopq.mackenzie.br/index.php/jornada/xxi_jornada_2025/paper/view/4692 |
| 11. | Fonte | Título da Revista/conferência; V. N. ano | Jornada de Iniciação Científica e Mostra de Iniciação Tecnológica - ISSN 2526-4699; XXI JORNADA DE INICIAÇÃO CIENTÍFICA - 2025 |
| 12. | Idioma | Português=pt | pt |
| 14. | Cobertura | Localização geográfica, cronológica, amostra (gênero, idade, etc.) | |
| 15. | Direitos | Direito autoral e permissões | Autores que submetem a esta conferência concordam com os seguintes termos: a) Autores mantém os direitos autorais sobre o trabalho, permitindo à conferência colocá-lo sob uma licença Licença Creative Commons Attribution, que permite livremente a outros acessar, usar e compartilhar o trabalho com o crédito de autoria e apresentação inicial nesta conferência. b) Autores podem abrir mão dos termos da licença CC e definir contratos adicionais para a distribuição não-exclusiva e subseqüente publicação deste trabalho (ex.: publicar uma versão atualizada em um periódico, disponibilizar em repositório institucional, ou publicá-lo em livro), com o crédito de autoria e apresentação inicial nesta conferência. c) Além disso, autores são incentivados a publicar e compartilhar seus trabalhos online (ex.: em repositório institucional ou em sua página pessoal) a qualquer momento antes e depois da conferência. |