Aplicação de algoritmo de machine learning para a segmentação automática de imagens médicas com deep learning por meio da técnica de federated learning
Carregando...
Data
Data de publicação
Autores IPEN
LUCIANA SILVA ALBUQUERQUE DE MELO
Orientador
Mario Olimpio de Menezes
Título da Revista
ISSN da Revista
Título do Volume
É parte de
É parte de
É parte de
Exportar
Resumo
A inteligência artificial (IA) e a ciência de dados têm apresentado avanços expressivos na área da saúde, impactando significativamente o diagnóstico e tratamento de doenças. No entanto, a aplicação de IA na medicina enfrenta desafios, como a necessidade de grandes volumes de dados e a preservação da privacidade dos pacientes. Este trabalho apresenta o desenvolvimento de um algoritmo de machine learning para a segmentação automática da próstata em imagens de ressonância magnética, utilizando a arquitetura U-Net e técnicas de deep learning aliadas ao aprendizado federado (federated learning). Foram empregadas três bases de dados públicas PROMISE12, Medical Segmentation Decathlon (Task 05: Prostate) e PI-CAI - que proporcionaram um conjunto diversificado de imagens para o treinamento e a validação do modelo. O treinamento foi realizado inicialmente em um ambiente centralizado, seguido pela simulação de um cenário federado com uso do framework Flower. Os resultados obtidos demonstram que o aprendizado federado foi capaz de atingir desempenho comparável ao modelo centralizado, com métricas relevantes como Dice Score e Coeficiente de Jaccard. Os achados desta pesquisa indicam que a abordagem proposta é promissora para aplicações clínicas, especialmente em contextos que exigem a preservação da privacidade e a descentralização dos dados.
Como referenciar
MELO, LUCIANA S.A. de. Aplicação de algoritmo de machine learning para a segmentação automática de imagens médicas com deep learning por meio da técnica de federated learning. Orientador: Mario Olimpio de Menezes. 2025. 96 f. Dissertação (Mestrado em Tecnologia Nuclear) - Instituto de Pesquisas Energéticas e Nucleares - IPEN-CNEN/SP, São Paulo. DOI: 10.11606/D.85.2025.tde-23022026-105752. Disponível em: https://repositorio.ipen.br/handle/123456789/49675. Acesso em: 29 Apr 2026.
Esta referência é gerada automaticamente de acordo com as normas do estilo IPEN/SP (ABNT NBR 6023) e recomenda-se uma verificação final e ajustes caso necessário.