Diagnósticos de Anomalias Gastrointestinais em Imagens Endoscópicas usando Ensemble Stacking de CNNs e Vision Transformers
Carregando...
Data
Autores
Orientador
Co-orientadores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
A detecção automatizada em imagens médicas oferece benefícios significativos, especialmente na identificação precoce de casos clínicos. Este estudo foca em imagens obtidas por exames endoscópicos digestivos, classificando-as em categorias normais (normal-cecum, normal-pylorus e normal-z-line) e anormais, que correspondem a alterações patológicas gastrointestinais (dyedlifted-polyps, dyed-resection-margins, esophagitis, polyps e ulcerative colitis). O método proposto engloba extração de Região de Interesse, Specular Highlights, Data Augmentation e Ensemble Stacking, integrando Redes Neurais Convolucionais e Vision Transformers. O modelo final alcançou 98,12% de acurácia, 98,15% de precisão, 98,12% de sensibilidade, 98,23% de especificidade e F1-score de 98,13%. Esses resultados indicam que a abordagem proposta tem grande potencial para se tornar uma ferramenta eficaz na identificação de anomalias em exames endoscópicos, contribuindo significativamente para diagnósticos médicos assistidos por inteligência artificial. Além de aumentar a confiabilidade dos diagnósticos, a adoção desse sistema pode otimizar o tempo dos profissionais de saúde, permitindo que se concentrem em casos mais complexos e críticos.
Resumo em outro idioma
Automated detection in medical images offers significant benefits, especially in the early identification of clinical cases. This study focuses on images obtained from digestive endoscopes examinations, classifying them into normal categories (normal-cecum, normal-pylorus and normal-z-line) and abnormal categories, which correspond to pathological alterations of the gastrointestinal tract (dyed-lifted-polyps, dyed-resection-margins, esophagitis, polyps and ulcerative colitis). The proposed method encompasses Region of Interest extraction, Specular Highlight, Data Augmentation, and Ensemble Stacking, integrating Convolutional Neural Networks and Vision Transformers. The final model achieved 98.12% accuracy, 98.15% precision, 98.12% sensitivity, 98.23% specificity, and a 98.13% F1-score. These results indicate that the proposed approach has great potential to become an effective tool for identifying anomalies in endoscopic examinations, significantly contributing to AI-assisted medical diagnoses. In addition to increasing the reliability of diagnoses, adopting this system can optimize healthcare professionals’ time, allowing them to focus on more complex and critical cases.
Palavras-chave
Imagem Endoscópica, Aprendizagem Profunda, Redes Neurais Convolucionais, Vision Transformers, Ensemble
Área do conhecimento
Ciências Exatas e da Terra
Citação
VIANA, Pedro da Silva. Diagnósticos de Anomalias Gastrointestinais em Imagens Endoscópicas usando Ensemble Stacking de CNNs e Vision Transformers. 2026. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Federal do Cariri, Juazeiro do Norte, 2026.