Utilização de algoritmos biologicamente plausíveis no auxílio de diagnóstico de infecções fúngicas e neoplasias pulmonares em exames de raio-x
Carregando...
Data
Autores
Orientador
Junior, Leandro Aparecido Passos 
Coorientador
Pós-graduação
Curso de graduação
Bauru - FC - Ciência da Computação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
Este trabalho investiga a aplicação de algoritmos biologicamente plausíveis, com ênfase em Redes Neurais de Picos (SNNs, do inglês Spike Neural Networks), no auxílio ao diagnóstico de infecções fúngicas e neoplasias pulmonares em imagens de raio-X. O estudo compara o desempenho e a eficiência energética de diferentes arquiteturas de redes neurais, incluindo Redes Neurais Artificiais, Redes Neurais Convolucionais, e SNNs, utilizando subconjuntos do banco de dados NIH Chest X-rays. As redes foram avaliadas em tarefas de classificação multiclasse (Normal, Infecção e Neoplasia) e binária (Normal vs. Infecção), a partir de métricas de acurácia, precisão, recall e F1-score, além do consumo energético medido com a ferramenta Carbontracker. Os resultados indicam que a versão convolucional da SNN apresenta desempenho competitivo em acurácia (até 79%) e F1-scoreN(em torno de 60%), enquanto a SNN não convolucional destaca-se pela elevada eficiência energética, com esparcidade superior a 90% em determinadas camadas e consumo significativamente inferior ao de arquiteturas convencionais. Conclui-se que os modelos de redes neurais que utilizam picos representam uma alternativa promissora para aplicações médicas em contextos com restrições computacionais e energéticas, conciliando sustentabilidade e viabilidade diagnóstica.
Resumo (inglês)
This work investigates the application of biologically plausible algorithms, focusing on Spiking Neural Networks (SNNs), to assist in the diagnosis of fungal infections and pulmonary neoplasms using chest X-ray images. The study compares the performance and energy efficiency of different neural network architectures, including Artificial Neural Network, Convolutional Neural Network, and SNNs, using subsets of the NIH Chest X-rays dataset. The networks were evaluated in multiclass (Normal, Infection, and Neoplasia) and binary (Normal vs. Infection) classification tasks, based on accuracy, precision, recall, and F1-score metrics, as well as energy consumption measured with the Carbontracker tool. The results indicate that the convolutional version of the SNN achieves competitive performance in accuracy (up to 79%) and F1-score (around 60%), while the non-convolutional SNN stands out for its high energy efficiency, with sparsity exceeding 90% in some layers and significantly lower consumption compared to conventional architectures. It is concluded that SNNs represent a promising alternative for medical applications in computationally and energetically constrained environments, combining sustainability with diagnostic viability.
Descrição
Palavras-chave
Redes neurais de picos, Diagnóstico por imagem, Eficiência energética, Aprendizado de máquina, Doenças pulmonares, Spiking neural networks, Medical imaging, Pulmonary diseases
Idioma
Português
Citação
GONZALES, Giuliano. Utilização de algoritmos biologicamente plausíveis no auxílio de diagnóstico de infecções fúngicas e neoplasias pulmonares em exames de raio-x. 2025. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) – Faculdade de Ciências, Universidade Estadual Paulista (UNESP), Bauru, 2025.
