Utilize este identificador para referenciar este registo:
https://hdl.handle.net/1822/87522
Título: | Computer assisted diagnosis (CAD) with enhanced cognitive architectures (BorisCAD) |
Autor(es): | Samorinha, Rafael André Escalhão |
Orientador(es): | Lima, C. S. Tavares, Adriano |
Palavras-chave: | Convolutional neural networks Decision tree Memory Cognitive architecture Image classification Learning Adaptation Medical diagnosis Artificial intelligence Boris Redes neuronais convolucionais Árvore de decisão Memória Arquitetura cognitiva Classificação de imagens Aprendizagem Adaptação Diagnóstico médico Inteligência artificial |
Data: | 26-Jul-2023 |
Resumo(s): | Computer-assisted medical image diagnosis plays a vital role in modern healthcare by enabling accurate
and timely detection of various medical conditions. However, conventional image classification
techniques often fail to integrate crucial elements such as perception, reasoning, and episodic
experiences, essential for achieving optimal performance. This research endeavours to bridge this gap
by designing, implementing, and evaluating a cognitive architecture incorporating these elements. The
findings of this research will contribute to the development of a deployable cognitive architecture that can
provide accurate and reliable diagnoses for a wide range of medical conditions, benefiting both
healthcare professionals and patients alike. Furthermore, the potential impact of this research extends
beyond medical image analysis, with implications in autonomous systems, robotics, and intelligent
decision support systems. By harnessing the potential of cognitive architectures, computer-assisted
systems can be revolutionised, leading to improved diagnostic accuracy and fostering innovation in
diverse industries reliant on advanced cognitive capabilities.
In order to achieve this objective, sub-symbolic methods for perception and symbolic methods for
reasoning will integrate the cognitive architecture. The bottom level, responsible for sub-symbolic
processing, will incorporate advanced segmentation and classification using convolutional neural
networks to handle perception tasks. In contrast, the top level will utilise a decision forest, an ensemble
of decision trees, to perform sophisticated reasoning tasks using symbolic data. Additionally, this study
will focus on integrating episodic experiences within the architecture by incorporating working and
long-term memory mechanisms, enhancing its predictive capabilities.
The evaluation of the cognitive architecture demonstrated its effectiveness within the context of the tested
datasets and image sizes. However, it is essential to acknowledge that developing a deployable version
for medical image diagnosis requires further testing and validation. Expanding the evaluation to include a
broader range of pathologies and imaging modalities is crucial to ensure the architecture’s robustness and
adaptability in diverse clinical scenarios. By incorporating a more diverse set of pathologies and imaging
modalities into the evaluation process, the cognitive architecture can undergo rigorous testing to assess
its performance across various medical conditions. This expanded evaluation will help identify potential
limitations and areas for improvement, ensuring that the architecture can deliver accurate and reliable
diagnoses across a broader spectrum of medical conditions. O diagnóstico assistido por computador a partir de imagens médicas desempenha um papel vital na saúde moderna, permitindo a detecção precisa e atempada de várias condições médicas. No entanto, as técnicas convencionais para classificação de imagens não integram elementos cruciais da análise humana, tais como a percepção, raciocínio e experiências episódicas. O trabalho apresentado procura preencher esta lacuna através do design, implementação e avaliação de uma arquitetura cognitiva que incorpora estes elementos. Os resultados obtidos contribuem para o desenvolvimento de novos métodos capazes de fornecer diagnósticos precisos e confiáveis para uma ampla gama de condições médicas, beneficiando tanto os profissionais de saúdo como os pacientes. Além disto, o potencial deste trabalho estende-se além da análise de imagens médicas, com possíveis implicações em sistemas autónomos, robótica e sistemas inteligentes de suporte à decisão. Ao aproveitar o potencial das arquiteturas cognitivas, estes sistemas podem ser revolucionados, levando a uma melhoria na precisão e a estimulação para a inovação em diversas indústrias que dependem de capacidades cognitivas avançadas. Para alcançar o objetivo principal de diagnóstico, serão integrados na arquitetura cognitiva métodos sub-simbólicos para percepção e métodos simbólicos para raciocínio. O nível mais abaixo, responsável pelo processamento sub-simbólico, incorporará redes neuronais convolucionais para segmentação e classificação, de forma a emular percepção no sistema. Por outro lado, o nível superior irá usar uma floresta de decisão, um conjunto de árvores, para realizar tarefas de raciocínio usando dados simbólicos. Além disto, este estudo irá focar-se na integração de experiências episódicas, incorporando mecanismos de memória de trabalho e a longo prazo, de forma a incluir dados passados na decisão atual. A avaliação desta arquitetura demonstrou a sua eficácia no contexto do conjunto de dados e tamanhos de imagem usados. No entanto, é essencial reconhecer que o desenvolvimento de uma versão aplicável ao diagnóstico de imagens médicas requer testes e validações adicionais. Desta forma, a expansão do sistema para incluir uma ampla gama de patologias e modalidades de imagem é crucial para garantir a robustez e adaptabilidade da arquitetura em diversos cenários clínicos. Ao incorporar um conjunto mais diversificado de patologias e modalidades de imagem no processo de avaliação, a arquitetura pode ser submetida a testes rigorosos de forma a avaliar o seu desempenho no mundo real. Esta ampla avaliação ajudará a identificar possíveis limitações, garantindo que o sistema fornece diagnósticos precisos e confiáveis num espectro vasto de condições médicas. |
Tipo: | Dissertação de mestrado |
Descrição: | Dissertação de mestrado em Engenharia Eletrónica Industrial e Computadores, Sistemas Embebidos e Computadores |
URI: | https://hdl.handle.net/1822/87522 |
Acesso: | Acesso aberto |
Aparece nas coleções: | BUM - Dissertações de Mestrado DEI - Dissertações de mestrado |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Rafael Andre Escalhao Samorinha.pdf | Dissertação de Mestrado | 9,33 MB | Adobe PDF | Ver/Abrir |
Este trabalho está licenciado sob uma Licença Creative Commons