glomeruloesclerose é um doença renal comum, caracterizada pela deposição de tecido cicatrizado que substitui o parênquima renal. Seu diagnóstico é baseado na análise histológica de biópsia da região cortical do rim por patologistas para indicar a presença e a extensão do dano. O diagnóstico é fundamental para orientar o tratamento adequado e minimizar as chances da doença evoluir para estágios crônicos. O diagnóstico realizado pelo especialista pode ser uma tarefa demorada e fatigante. Nesse contexto os sistemas de diagnóstico auxiliado por computador servem ao médico oferecendo-lhe informações que podem ajudá-lo a diagnosticar doenças de forma mais rápida e menos trabalhosa. Para identificar glomérulo com esclerose, este artigo propõe um comitê de redes neurais convolucionais (convolutional neural networks - CNN). Analisamos cinco CNNs - VGG-19, Inception-V3, ResNet-50, DenseNet-201 e EfficientNet-B2 - para definir o melhor modelo de CNN, avaliamos várias configurações de camadas totalmente conectadas e realizamos treinamento em dois estágios: primeiro treinamos somente a parte densa, depois foi feito um ajuste fino em toda a rede. No total, foram analisados 25 modelos diferentes dos quais foram selecionados os membros votantes dos comitês formados. Os experimentos foram realizados em três conjuntos de dados, compostos por 1.062 imagens ao todo, sendo a metade de cada classe. Ainda aplicamos técnicas de aumento de dados gerando mais imagens artificialmente no conjunto de treinamento. O uso de comitê reunindo CNNs baseadas na DenseNet, EfficientNet e ResNet apresentou eficácia na tarefa; alcançamos acurácia de 93,0% e kappa de 86,1%, considerado excelente. Os resultados são promissores, mas há pontos nos quais pretendemos avançar: a realização de experimentos com mais imagens; a avaliação de novas arquiteturas e a inclusão de outros descritores; avaliação novos comitês bem como outras formas de combinação de CNNs; aplicação de técnicas de explicabilidade aos modelos.

O diagnóstico precoce do câncer de pele maligno é essencial para evitar a metástase e definir um tratamento adequado. Nesse sentido, muitas pesquisas já propuseram abordagens automatizadas de aprendizado profundo para auxiliar na análise visual de imagens digitais de lesões de pele em busca de um diagnóstico preciso. Os aspectos de cor das lesões são essenciais para determinar a suspeita de malignidade. Em imagens digitais, a cor pode variar conforme as mudanças na intensidade e nos aspectos de iluminação. Nessa perspectiva, esta tese investiga a relevância das características de iluminação e cor na precisão da classificação do câncer de pele utilizando modelos de aprendizado profundo. O estudo analisa como variações nessas características podem influenciar a detecção de lesões malignas, destacando a importância da correção de iluminação e cor para melhorar a precisão em sistemas de detecção. A metodologia deste trabalho desenvolveu uma abordagem de validação que combina técnicas convencionais de correção, como Contrast Limited Adaptive Histogram Equalization (CLAHE), Perfect Reflector e Shades of Gray (SoG), com técnicas avançadas baseadas em aprendizado profundo, como Local Color Distribution Prior Network (LCDPNet), Low-Light Neural Radiance Field (LLNeRF) e Deep Symmetric Network (DSN). O processo de delimitação das regiões das lesões utiliza a técnica personalizada DeepLabV3+. Os modelos de aprendizado profundo analisados incluem Inception-V3, Xception, ResNet-50 e DenseNet-121, treinados utilizando transferência de aprendizado e aumento de dados com a técnica Test-Time Augmentation (TTA). Os experimentos mostraram que as técnicas de correção de iluminação e cor com aprendizado profundo superam os métodos convencionais, melhorando a precisão na classificação de lesões malignas com os modelos avaliados. As arquiteturas de redes neurais profundas apresentaram sensibilidade variável às correções de iluminação e cor, sendo mais sensíveis aquelas com menor número de camadas e tamanhos menores de filtros. A correção das características de iluminação e cor produziu aumentos em todas as taxas de precisão nos modelos experimentados, embora alguns resultados não tenham sido expressivos. A correção dessas características é indispensável na classificação do câncer de pele com aprendizado profundo. A escolha adequada de técnicas analíticas pode aumentar a precisão na identificação de malignidades de pele. Além disso, o design e a estrutura da arquitetura do modelo influenciam a percepção da iluminação e da cor, tornando os modelos mais sensíveis às variações dessas características. Futuros estudos devem explorar novos métodos de correção com aprendizado auto-supervisionado e mecanismos de atenção para aprimorar a detecção de câncer de pele.