Publication
Diagnose of the inflammatory bowel disease using deep learning models with interpretability
| dc.contributor.advisor | Domingues, Inês Campos Monteiro Sabino | |
| dc.contributor.author | Maurício, José Carlos Nunes | |
| dc.date.accessioned | 2023-08-30T15:50:49Z | |
| dc.date.available | 2023-08-30T15:50:49Z | |
| dc.date.issued | 2023-07-31 | |
| dc.date.submitted | 2023-07-14 | |
| dc.description.abstract | Doença de Crohn e Colite Ulcerosa são duas doenças crónicas que provocam uma in flamação nos tecidos de todo trato gastrointestinal, e são caracterizadas pelo termo: Doença Inflamatória do Intestino. Para os pacientes com esta patologia, um diag nóstico preciso e atempado é um ponto chave para a qualidade de vida das pessoas com o objetivo de ser prescrito um tratamento que minimize os sintomas provocados pela inflamção do intestino. Contudo, os médicos gastroenterologistas sentem alguma dificuldade em avaliar as imagens endoscópicas de modo a reconhecer as caracterís ticas das duas doenças crónicas. Portanto, através deste trabalho procura-se encon trar uma forma de automatizar o diagnóstico destes pacientes durante o exame en doscópico reduzindo a subjetividade que está sujeito pela observação de um gastroen terologista, utilizando seis CNNs: AlexNet, ResNet50, VGG16, InceptionV3, ResNet50- MobileNetV2 e um modelo híbrido. Foram ainda utilizadas neste estudo cinco ViTs: ViT-B/32, ViT-S/32, ViT-B/16, ViT-S/16 and R26+S/32. Knowledge distillation foi apli cada de forma a construir modelos mais simples, com menos parâmetros, com base na aprendizagem das arquiteturas pré-treinadas em grandes volumes de dados. Conclui se que no âmbito das ViTs consegue-se reduzir 25x o número de parâmetros mantendo uma boa performance e reduzir o tempo de inferência em 5,32 segundos. Para as CNNs os resultados mostram que é possível reduzir em 107x o número de parâmetros, re duzindo por consequência o tempo de inferência em 3,84 segundos. Aliado a isto, ainda foi realizada a interpretabilidade dos modelos que permitiu concluir que ambas as arquiteturas (teacher and student models) conseguem identificar úlceras, situações de sangramento e lesões provocadas pela inflamação da doença. | pt_PT |
| dc.identifier.tid | 203339452 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.26/46225 | |
| dc.language.iso | eng | pt_PT |
| dc.subject | Colite ulcerosa | pt_PT |
| dc.subject | Doença de Crohn | pt_PT |
| dc.subject | Deep Learning | pt_PT |
| dc.subject | Destilação do conhecimento | pt_PT |
| dc.subject | DeiT | pt_PT |
| dc.title | Diagnose of the inflammatory bowel disease using deep learning models with interpretability | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.grantor | Instituto Politécnico de Coimbra |