A Tuberculose é uma doença infecciosa que afeta principalmente os pulmões. A transmissão ocorre pelo ar, quando pacientes infectados tossem, espirram ou cospem. Apesar de ser a segunda principal causa de morte por infecção no mundo, a tuberculose tem cura e o paciente tem maiores chances de recuperação completa quando é diagnosticado e tratado precocemente, além de reduzir o risco de transmissão. A baciloscopia de escarro é um método tradicional para o diagnóstico e monitoramento do tratamento, onde o especialista analisa as amostras de escarro para detectar a presença dos bacilos. Abordagens computacionais têm sido desenvolvidas para apoiar o especialista no diagnóstico da tuberculose, através da análise das imagens das lâminas. Neste estudo, propomos uma solução utilizando a estratégia de multi-task learning, onde dois modelos compartilham aprendizado no decorrer do treinamento para a execução de suas tarefas. O primeiro modelo gera mapas de densidade destacando locais com presença de bacilos, enquanto o segundo realiza a regressão da quantidade de bacilos no mapa. Os resultados obtidos mostraram PSNR de 20.75, BA de 0.87, F1 de 0.72, AP de 0.53, Jaccard de 0.56, R2 de 0.78 e MSE de 5.14, no experimento usando fine-tuing e operações de aumento de dados espaciais e de intensidade. Apesar da complexidade do problema, o método obteve um bom desempenho nas duas tarefas, conseguindo extrair características importantes dos bacilos e uma contagem final baseada na trajetória de aprendizado das duas redes em conjunto. Além de fornecer ao especialista uma segunda opinião sobre a contagem, os mapas de densidade aprendidos poderão servir como um espelho para validação dessa contagem ou, posteriormente, para a detecção de cada bacilo.