| dc.description.abstract | Redes Neurais Convolucionais pautadas na inteligência artificial e no deep learning são agentes facilitadores para resolução de problemas. O objetivo geral deste estudo é treinar um modelo de segmentação semântica de imagens médicas, em várias etapas estruturadas, testando diversos otimizadores, tamanhos de imagem, técnicas de transformação de dados e arquiteturas de redes neurais, buscando a melhor performance e a capacidade de segmentação de imagens médicas. Neste sentido apresenta-se a construção de um modelo de inteligência artificial, totalmente convolucional, capaz de segmentar tecidos funcionais do rim, gerando a base tecnológica necessária para auxiliar trabalhos futuros de análise em larga escala dos glomérulos presentes no rim. A relevância se apresenta na contribuição científica em estudos de automatização de exames de diagnósticos para doenças renais e possíveis aplicações para outros ramos. Além disso, ajuda o entendimento de como as interações intercelulares afetam a saúde humana, em específico, na segmentação do glomérulo, um tecido funcional do rim. O modelo final consiste em uma variação da arquitetura U-Net que obteve uma performace na métrica DICE de 92,33% na competição HuBMAP – Hacking the Kidney, superando 74% dos modelos submetidos à competição. | |
