Please use this identifier to cite or link to this item:
http://repositorio.ufc.br/handle/riufc/81267| Type: | TCC |
| Title: | Mouthcheck, uma ferramenta de apoio no diagnóstico de câncer de boca utilizando redes neurais convolucionais |
| Authors: | Soares, Anderson Luis Bento |
| Advisor: | Freitas, Lucas Ismaily Bezerra |
| Keywords in Brazilian Portuguese : | inteligência artificial;redes neurais convolucionais;câncer de boca |
| Knowledge Areas - CNPq: | CNPQ: CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO |
| Issue Date: | 2025 |
| Citation: | SOARES, Anderson Luis Bento. Mouthcheck, uma ferramenta de apoio no diagnóstico de câncer de boca utilizando redes neurais convolucionais. 2025. 48 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Campus de Quixadá, Universidade Federal do Ceará, Quixadá, 2025. |
| Abstract in Brazilian Portuguese: | Este estudo teve como objetivo desenvolver uma ferramenta visual que implemente um modelo de Rede Neural Convolucional (CNN) para auxiliar no diagnóstico precoce de câncer de boca. Foram utilizados 950 imagens de mucosa bucal, obtidas do dataset "ORAL CANCER DATASET", que inclui imagens rotuladas com a presença ou ausência de câncer. Três modelos CNNs, baseados nas arquiteturas VGG16, InceptionV3 e ResNet50, foram treinados utilizando técnicas de transfer learning, visando reduzir o tempo de treinamento. Os resultados mostraram que o modelo ResNet50 apresentou um desempenho superior nas métricas de acurácia, precisão, recall e F1-Score. Trabalhos futuros podem explorar a ampliação do conjunto de dados e a implementação de novas funcionalidades na interface. O estudo contribui para a área da estomatologia e oncologia oral ao oferecer uma solução simples que pode auxiliar no diagnóstico precoce, melhorando potencialmente os resultados clínicos. |
| Abstract: | This study aimed to develop a visual tool implementing a Convolutional Neural Network (CNN) model to assist in the early diagnosis of oral cancer. A total of 950 oral mucosa images were used, obtained from the "ORAL CANCER DATASET,"which includes labeled images indicating the presence or absence of cancer. Three CNN models, based on the VGG16, InceptionV3, and ResNet50 architectures, were trained using transfer learning techniques to reduce training time. The results showed that the ResNet50 model demonstrated superior performance in accuracy, precision, recall, and F1-Score metrics. Future work may explore expanding the dataset and implementing new features in the interface. This study contributes to the healthcare field by offering a simple solution that can assist in early diagnosis, potentially improving clinical outcomes. |
| URI: | http://repositorio.ufc.br/handle/riufc/81267 |
| Advisor's Lattes: | http://lattes.cnpq.br/6296283821114645 |
| Access Rights: | Acesso Aberto |
| Appears in Collections: | CIÊNCIA DA COMPUTAÇÃO-QUIXADÁ - Monografias |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 2025_tcc_albsoares.pdf | 5,02 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.