Please use this identifier to cite or link to this item: http://ri.ucsal.br:8080/jspui/handle/prefix/1675
metadata.dc.type: Trabalho de Conclusão de Curso
Title: Síntese de imagens de Raios-X de problemas respiratórios utilizando redes neurais adversariais generativas
metadata.dc.creator: Silva, Ícaro Santana
Oliveira, Sérgio Matheus Barbosa
metadata.dc.contributor.advisor1: Wyzykowski, André Brasil Vieira
metadata.dc.contributor.referee1: Melo, Osvaldo Requião
metadata.dc.contributor.referee2: Reis, Marcelo Índio dos
metadata.dc.description.resumo: Diversos problemas no desenvolvimento de estudos científicos estão relacionados a escassez de informações. Dentro do contexto médico, existem doenças raras onde se têm poucos casos. Além disso, em estágios iniciais de uma nova doença, dados de pacientes ficam contidos em centros médicos, até que seja realizado o trabalho de compilação dos mesmos. Por fim, ainda existem a situação de dados pessoais estão resguardados sob leis de proteção, ocasionando um desbalanceamento de dados. Atualmente essa dificuldade ficou evidenciada com a Coronavirus disease 2019 (COVID19). Por se tratar de uma doença nova, a comunidade científica tinha poucos dados precisos para realizar estudos mais detalhados. Pensando nisso, a finalidade do trabalho é conceber imagens sintéticas de raios-x pulmonares, sendo estas geradas por inteligência artificial, que sejam visualmente realísticas a partir de poucas amostras reais para possibilitar a criação de repositórios que irá subsidiar futuras pesquisas e estudos. Afim de alcançar o objetivo foi realizado uma pesquisa para atinar trabalhos próximos para o embasamento do desenvolvimento, experimentações e validações que contribuíram para a etapa de treinamentos de modelos de redes neurais. Para avaliar as informações providas deste treinamento foi necessário calcular sua qualidade em relação às amostras reais e para isto foi utilizado o cálculo da distância de Fréchet, medindo o intervalo das características entre elas, contribuindo com a avaliação do melhor modelo de rede neural aplicado. Contando também com um experimento de percepção humana, aplicado a 81 participantes de forma virtual, para avaliar a partir de suas óticas e julgar entre as imagens apresentadas seu critério ao considerar uma amostra como genuína ou sintética. Com o resultado obtido do experimento de percepção humana foi possível identificar que as amostras julgadas pelos participantes como as mais próximas da realidade foram as mesmas que a partir da pontuação calculada pela distância de Fréchet. Com essas validações foi possível demonstrar que as imagens geradas pelo modelo generativo Wasserstein generative adversarial network (WGAN) foram superiores ao Deep convolutional Generative Adversarial Network (DCGAN).
Abstract: Diverses problems in scientific study development are related to information scarcity. In the medical context, there are rares diseases that have a few cases. Beyond that, in initial stages of a new disease, patient data keep stored in medical centers, until they realize a compilation work of them. Lastly, still there a situation of about personal data are kept safe under law protection, causing a data unbalancing. Currently, this difficulty was evidenced with Coronavirus disease 2019 (COVID-19). As it’s a new disease, the scientific community had little precise data to carry out more detailed studies. Thinking about this, the work goal is to conceive x-ray lung synthetic images, which were generated by artificial intelligence, being visually realistic from a few real samples to enable the creation of repositories that will support future research and detailed studies. To reach the objective, one research was carried out to find the next works to support the development, experiments, and validations that contributed to the stage of training neural network models. To validate the provided information of that training was necessary to calculate the quality related to the original samples, to do that was used the calculation of Fréchet distance, to measure the characteristics interval between them, contributing to the validation to the best neural model applied. Counting too with a human perception experiment was applied in 81 participants in visual form, to validate by his optics and judge between the presented images in your criteria to consider the sample as genuine or synthetic. With the result obtained from the human perception experiment, was possible to identify that the samples judged by the participants as the closest to reality were the same as from the score calculated by the distance from Fréchet. With these validations, it was possible to demonstrate that the images generated by the model Wasserstein generative adversarial network (WGAN) were superior to the Deep Convolutional Generative Adversarial Network (DCGAN).
Keywords: Modelos Generativos Adversariais
Augmentation
Raio-X Torácico
WGAN
DCGAN
Generative Adversarial Models
Augmentation
Chest X-ray
metadata.dc.subject.cnpq: Ciências Exatas e Engenharias
Engenharia de Software
metadata.dc.language: por
metadata.dc.publisher.country: Brasil
Publisher: Universidade Católica do Salvador
metadata.dc.publisher.initials: UCSAL
metadata.dc.publisher.department: Pró-Reitoria de Graduação (PROGRAD)
metadata.dc.rights: Acesso Aberto
URI: http://ri.ucsal.br:8080/jspui/handle/prefix/1675
Issue Date: 22-Jul-2020
Appears in Collections:Engenharia de Software

Files in This Item:
File Description SizeFormat 
TCCÍCAROSILVA E SÉRGIOOLIVEIRA.pdf3.84 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.