Leila Cristina Carneiro BergamascoFELIPE MACIEL DE SOUSAGUILHERME ORMOND SAMPAIOLEON FERREIRA BELLINIPEDRO FREITAS MAGALHÃES BARBOSA2024-08-162024-08-162022-06-13https://repositorio.fei.edu.br/handle/FEI/5503Doenças cardíacas figuram entre as principais causas de morte no mundo, segundo a Organização Mundial da Saúde elas são responsáveis por cerca de 17 milhões de mortes globalmente. Em resposta a esse cenário, as pessoas têm procurado com frequência acompanhamento médico a fim de evitar um diagnóstico tardio. Esse processo promoveu um aumento na demanda por exames de ressonância magnética cardíaca e a identificação de cardiomiopatias nesse volume de exames representa um grande desafio para as equipes médicas. Embora sistemas inteligentes sejam capazes de identificar doenças cardíacas nos exames mencionados acima, poucas abordagens consideram diferentes slices do órgão e as especificidades do ciclo cardíaco em sua análise. Este trabalho apresenta uma metodologia baseada em aprendizado de máquina supervisionado para abordar essa análise considerando os aspectos citados. Durante os experimentos foi registrada uma acurácia de 80,00% e precisão de 82,26% no melhor caso de teste, que consiste na utilização das estruturas do epicárdio e endocárdio, durante o ciclo diastólico e utilizando treze frames do cicloHeart diseases are among the most common causes of death in the world, according to the World Health Organization, said diseases are responsible for about 17 million deaths glob- ally. In response to this scenario, people have often sought medical attention in order to prevent late diagnosis. The aforementioned fact promoted an increase in demand for cardiac magnetic resonance exams. The identification of cardiomyopathies in this volume of exams represents a huge challenge for medical teams. Although smart systems are capable of identifying car- diac diseases in the exams mentioned above, few approaches consider different slices of the organ and the specificities of the cardiac cycle in its analysis. This essay presents a methodol- ogy based on supervised machine learning to address this analysis, considering the mentioned aspects. During the experiments, an accuracy of 80.00% and a precision of 82.26% were ob- tained in the best test scenario, which consisted of using the structures of the epicardium and endocardium during the diastolic cycle and utilizing thirteen cardiac cycle frames.70pt-BRRestritoRessonância magnética cardíacacardiomiopatiasaprendizado de máquina supervisionadométodo ensembleTrabalho de Conclusão de Curso