Avaliação do desempenho de arquiteturas de deep learning na classificação de imagens médicas
Visualizar/abrir
Data
2026Orientador
Nível acadêmico
Especialização
Assunto
Resumo
Este trabalho avalia o desempenho de diferentes arquiteturas de Deep Learning aplicadas à classificação de imagens médicas tridimensionais para detecção da Doença de Alzheimer, utilizando o conjunto de dados OASIS. Foram comparadas abordagens 2D e 3D. Modelos 2D como ResNet18 e AlexNet apresentaram resultados consistentes mesmo processando apenas slices individuais, mas essa estratégia perde informações volumétricas importantes. Também foram testadas CNNs 3D, que capturam melhor a estrutura do ...
Este trabalho avalia o desempenho de diferentes arquiteturas de Deep Learning aplicadas à classificação de imagens médicas tridimensionais para detecção da Doença de Alzheimer, utilizando o conjunto de dados OASIS. Foram comparadas abordagens 2D e 3D. Modelos 2D como ResNet18 e AlexNet apresentaram resultados consistentes mesmo processando apenas slices individuais, mas essa estratégia perde informações volumétricas importantes. Também foram testadas CNNs 3D, que capturam melhor a estrutura do cérebro, mas tendem ao overfitting devido ao tamanho reduzido do dataset. Técnicas de interpretabilidade, como Grad-CAM, foram aplicadas para verificar se regiões relevantes, como o hipocampo, contribuíam para a decisão das redes. Os resultados mostram que arquiteturas leves alcançam desempenho competitivo em ambientes com poucos dados, reforçando a importância de soluções otimizadas e interpretáveis para análise de imagens médicas. ...
Abstract
This study evaluates the performance of different Deep Learning architectures applied to the classification of three-dimensional medical images for the detection of Alzheimer’s Disease, using the OASIS dataset. Both 2D and 3D approaches were compared. 2D models such as ResNet18 and AlexNet showed consistent results even when processing individual slices, although this strategy loses important volumetric information. 3D CNNs were also tested, which better capture the brain’s structure but tend t ...
This study evaluates the performance of different Deep Learning architectures applied to the classification of three-dimensional medical images for the detection of Alzheimer’s Disease, using the OASIS dataset. Both 2D and 3D approaches were compared. 2D models such as ResNet18 and AlexNet showed consistent results even when processing individual slices, although this strategy loses important volumetric information. 3D CNNs were also tested, which better capture the brain’s structure but tend to overfit due to the small dataset size. Interpretability techniques, such as Grad-CAM, were applied to verify whether relevant regions, such as the hippocampus, contributed to the networks’ decisions. The results indicate that lightweight architectures achieve competitive performance in data-limited environments, highlighting the importance of optimized and interpretable solutions for medical image analysis. ...
Instituição
Universidade Federal do Rio Grande do Sul. Instituto de Informática. Curso de Especialização em Engenharia de Software para Aplicações de Ciência de Dados.
Coleções
Este item está licenciado na Creative Commons License


