@MASTERSTHESIS{ 2019:2132471595,
 	title = {Aprendizagem Profunda Aplicada ao Diagnóstico do Glaucoma},
 	year = {2019},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/tede/2576",
 	abstract = "O glaucoma é um grupo de doenças oculares que causam danos ao nervo óptico, ocasionando
 o sucessivo estreitamento do campo visual em pacientes afetados, devido a um aumento
 da pressão intra-ocular, que pode levar o paciente, em estágio avançado, à cegueira, sem
 reversão clínica. Por diversos anos, desde técnicas de análise manual das estruturas
 internas do globo ocular à utilização de aprendizagem profunda com redes neurais
 convolucionais (CNNs, do inglês, Convolutional Neural Networks) foram utilizadas com
 sucesso no diagnóstico do glaucoma. No entanto, construir uma rede de aprendizagem
 profunda demanda um grande esforço que em muitas situações nem sempre são capazes
 de alcançar resultados satisfatórios, devido à quantidade de parâmetros que necessitam
 ser configurados para adequar a arquitetura da CNN ao problema em questão. O objetivo
 deste trabalho consiste em utilizar uma técnica de otimização de hiperparâmetros para
 selecionar parâmetros ideais de um algoritmo genético (AG) que vise escolher a melhor
 arquitetura CNN, através de técnicas evolutivas e que seja capaz de auxiliar no diagnóstico
 mais preciso do glaucoma, em imagens de fundo de olho. A metodologia proposta foi
 aplicada em 455 imagens do dataset RIM-ONE, em sua segunda versão (r2), com imagens
 redimensionadas para o tamanho 96x96, no padrão RGB. A CNN selecionada pelo AG,
 após o treinamento, apresentou para o diagnóstico do glaucoma os resultados de acurácia
 de 96,63%, sensibilidade de 94,87%, especificidade de 98,00%, precisão de 97,37% e f-score
 de 96,10%.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET},
 	note = {DEPARTAMENTO DE INFORMÁTICA/CCET}
}