Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/59613
Título: Inteligência artificial aplicada ao diagnóstico radiográfico de displasia coxofemoral em cães
Título(s) alternativo(s): Artificial Intelligence Applied to radiographic diagnosis of hip dysplasia in dogs
Autor : Silva, Cinthia Itaborahy Ferreira
Lattes: http://lattes.cnpq.br/4262484472836132
Primeiro orientador: Lacreta Junior, Antônio Carlos Cunha
Primeiro membro da banca: Muzzi , Leonardo Augusto Lopes
Segundo membro da banca: Abade, André da Silva
Palavras-chave: Radiologia veterinária
Displasia coxofemoral canina
Inteligência artificial
Diagnóstico por imagem
Redes neurais convolucionais
Diagnóstico assistido por computador
Análise de imagens médicas
Veterinary radiology
Canine hip dysplasia
Artificial intelligence
Imaging diagnosis
Convolutional neural networks
Computer-aided diagnosis
Medical image analysis
Data da publicação: 25-Out-2024
Agência(s) de fomento: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
Referência: SILVA, Cinthia Itaborahy Ferreira. Inteligência artificial aplicada ao diagnóstico radiográfico de displasia coxofemoral em cães. 2024. 53 f. Dissertação (Mestrado Acadêmico em Ciências Veterinárias) – Universidade Federal de Lavras, Lavras, 2024.
Resumo: O exame radiográfico é a principal ferramenta de diagnóstico de displasia coxofemoral em cães, por meio do qual classifica-se o grau da doença e evidencia-se sinais de frouxidão articular, doença articular degenerativa secundária, entre outras alterações inerentes à afecção. A interpretação destas imagens, no entanto, é uma tarefa desafiadora e propensa a erros, devido à variação de raças e portes, bem como da técnica e do posicionamento radiográfico. Tecnologias que combinam aprendizado de máquina, visão computacional e imagens médicas facilitam o diagnóstico de doenças e fornecem uma segunda opinião para os profissionais. O objetivo deste trabalho visa determinar a precisão de uma rede neural convolucional para detectar padrões radiográficos normais e anormais em articulações coxofemorais e classificá-las corretamente entre cães portadores e cães não portadores de displasia coxofemoral. Os resultados tiveram como uma de suas principais contribuições a criação de um banco de dados radiográfico nacional inédito, alinhado com padrões internacionais para a classificação de displasia coxofemoral em cães. A implementação de ferramentas de inteligência artificial mostrou-se promissora, com acurácia média de 92%, sensibilidade de 91%, e especificidade de 92. A curva ROC e a AUC reforçam o bom desempenho do modelo ao identificar corretamente 93% dos casos positivos.
Abstract: Radiographic imaging is the main diagnostic tool for canine hip dysplasia, through which the degree of the disease is classified and signs of joint laxity, secondary degenerative joint disease and other alterations inherent to the condition are evidenced. However, interpreting these images is a challenging and error-prone task due to variations in breed and sizes, as well as radiographic techniques and positioning. Technologies that combine machine learning, computer vision and medical imaging facilitate disease diagnosis and provide a second opinion for professionals. This study aims to determine the accuracy of a convolutional neural network in detecting normal and abnormal radiographic patterns in hip joints and correctly classifying them among dogs with and without hip dysplasia. The results significantly contributed to creating a groundbreaking national radiographic database aligned with international standards for the classification of canine hip dysplasia. Implementing artificial intelligence tools proved promising, with an average accuracy of 92%, sensitivity of 91%, and specificity of 92%. The ROC curve and AUC further support the model's strong performance, correctly identifying 93% of positive cases.
URI: http://repositorio.ufla.br/jspui/handle/1/59613
Publicador: Universidade Federal de Lavras
Idioma: por
Aparece nas coleções:DAE - Administração - Mestrado (Dissertações)



Este item está licenciada sob uma Licença Creative Commons Creative Commons