Banca de DEFESA: VITÓRIA DE CARVALHO BRITO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: VITÓRIA DE CARVALHO BRITO
DATA: 21/03/2024
HORA: 09:00
LOCAL: meet.google.com/cst-eoxb-saz
TÍTULO: MTL-KOCH: UMA ESTRATÉGIA DE MULTI-TASK LEARNING PARA O DIAGNÓSTICO Da TUBERCULOSE A PARTIR DE IMAGENS DE BACILOSCOPIA DE ESCARRO
PALAVRAS-CHAVES: Multi-Task Learning; Detecção de Tuberculose; Contagem de Bacilos
PÁGINAS: 62
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
RESUMO:

A Tuberculose é uma doença infecciosa que afeta principalmente os pulmões. A transmissão ocorre pelo ar, quando os 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. No entanto, a análise das lâminas é um processo exaustivo, pois é manual e depende da experiência do especialista. Abordagens computacionais têm sido desenvolvidas para apoiar o especialista no diagnóstico da tuberculose, auxiliando no processo de análise das imagens das lâminas. Este trabalho propõe uma solução para a contagem automática de bacilos da tuberculose utilizando a estratégia de \textit{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 na imagem. Para realizar os experimentos, utilizou-se um dataset público com 1265 imagens de baciloscopia de escarro, contendo as anotações dos bacilos. 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, utilizando fine-tuning 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.

MEMBROS DA BANCA:
Interno - 1126212 - ANTONIO OSEAS DE CARVALHO FILHO
Interno - 1402365 - DEBORAH MARIA VIEIRA MAGALHAES
Interno - 2025885 - FLÁVIO HENRIQUE DUARTE DE ARAÚJO
Externo à Instituição - OTILIO PAULO DA SILVA NETO - IFPI