@MASTERSTHESIS{ 2023:1973258943,
 	title = {Classificação de amiloidose em imagens digitais de biópsias renais utilizando corantes não específicos},
 	year = {2023},
 	url = "http://tede2.uefs.br:8080/handle/tede/1743",
 	abstract = "A Patologia Computacional é um campo de estudo que utiliza métodos computacionais para auxiliar médicos patologistas na análise de imagens patológicas, fazendo uso de algoritmos de aprendizado de máquina que contribuem para diagnósticos mais rápidos e precisos. No entanto, ainda existe muito a ser pesquisado, como por exemplo no caso da amiloidose, uma lesão pouco frequente que impõe um desafio à construção de classificadores eficientes para a lesão, devido a uma baixa quantidade de imagens disponíveis para treinamento de classificadores automáticos. Além disso, a amiloidose também apresenta uma complicação adicional oriunda da necessidade de uso de corantes específicos para a detecção da lesão pelos médicos, o que reduz ainda mais o número de imagens disponíveis. Com base nesse problema de pesquisa,esse trabalho aplicou uma abordagem utilizando modelos de redes neurais convolucionais clássicas para a construção de um classificador automático de amiloidose, treinado utilizando imagens coloridas com corantes não específicos para a lesão. Inicialmente, tais modelos foram treinados utilizando a base de dados desbalanceada com menos imagens para a amiloidose, com o objetivo de estabelecer uma referência de pesquisa. Em seguida, foram aplicadas técnicas de balanceamento de dados, como Randon Undersample e Randon Oversample, e algoritmos do tipo Ensemble-Based, com o objetivo de lidar com o desbalanceamento entre as classes. Como resultados deste trabalho foram obtidos modelos capazes de identificar a lesão com uma taxa de falsos negativos de até 4,5%, com um melhor desempenho para o modelo Inception, quando treinado com o Dataset RUS e para o modelo o Ensemble-RUS.",
 	publisher = {Universidade Estadual de Feira de Santana},
 	scholl = {Programa de Pós-Graduação em Ciência da Computação},
 	note = {DEPARTAMENTO DE TECNOLOGIA}
}