Banca de QUALIFICAÇÃO: LUCAS DANIEL BATISTA LIMA

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: LUCAS DANIEL BATISTA LIMA
DATA: 07/07/2023
HORA: 09:00
LOCAL: Sala da Pós-Graduação PPGBiotec_UFDPar
TÍTULO: Um Método Baseado em Aprendizado Profundo para Estimar o Peso e a Altura de um Indivíduo a partir de Imagens Clínicas de Múltiplas Visões
PALAVRAS-CHAVES: Saúde, Peso, Altura, Visão Computacional, Aprendizado Profundo
PÁGINAS: 70
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
RESUMO:

Altura e peso são duas medidas biométricas que indicam aspectos físicos e amplamente utilizados no monitoramento do desenvolvimento de indivíduos jovens e no diagnóstico de diversas doenças, como a obesidade. No entanto, as medições de peso e altura podem ser propensas a imprecisões devido a vieses inerentes ao avaliador que as realizam. Medidas incorretas podem levar a erros, por exemplo, na dosagem de medicamentos ou diagnósticos equivocados, representando um risco para a saúde. Para mitigar possíveis vieses humanos, este estudo propõe um método baseado na utilização de técnicas de inteligência artificial e visão computacional para estimar o peso e a altura de um indivíduo. O método proposto utilizou 19.052 imagens clínicas de múltiplas visões (posterior, anterior, e duas laterais) de 4.673 pessoas para treinar algoritmos de Redes Neurais Convolucionais (RNC). As imagens foram processadas pelo modelo de segmentação semântica DeepLabV3 para extrair a silhueta e posteriormente convertidas em escala de cinza, as quais foram utilizadas para treinar as seguintes arquiteturas de RNCs: WideResNet e a WideResNet equivariante à escala. Essas arquiteturas são formas avançadas de RCNs projetadas para lidar com dados de imagem complexos e capturar padrões intrincados. O método proposto alcançou um Erro Médio Absoluto (EMA) de 3,7 kg e um R-Squared (R²) de 92,24% para a estimativa de peso, e um EMA de 3,6 cm e um R² de 82,01% para estimativa da altura. Esses resultados superam as soluções propostas na literatura com abordagens similares. A predição paralela de duas variáveis dependentes, agindo como regularizadores, levou a um melhor desempenho do método. Além disso, o uso de arquiteturas de RNCs equivariantes a outros grupos de transformações, além da translação, ajuda a capturar mais informações relevantes na tarefa de predição de peso e altura, contribuindo também para o desempenho do método proposto.

MEMBROS DA BANCA:
Presidente - 015.753.933-44 - ARIEL SOARES TELES - IFMA
Externo à Instituição - JOÃO OTÁVIO BANDEIRA DINIZ - IFMA
Interno - 2092495 - SILMAR SILVA TEIXEIRA
Externo à Instituição - VINÍCIUS BORDALO - NENHUMA