@PHDTHESIS{ 2022:1455010408,
 	title = {Análise da influência de compressão, escalonamento não uniforme e aumento de dados na classificação automática de micro-organismos em imagens biomédicas utilizando deep learning},
 	year = {2022},
 	url = "http://bibliotecatede.uninove.br/handle/tede/3175",
 	abstract = "A correta identificação e classificação de micro-organismos é uma tarefa importante pois ajuda na detecção e prevenção de surtos de doenças, rastreamento de resistência a antibióticos e monitoramento de tendências de doenças para saber se as medidas de prevenção estão funcionando. A classificação de microrganismos é feita usualmente por profissionais especializados por meio de exame visual de imagens de microscópio. Em virtude das altas taxas de erro, comuns em processos manuais, principalmente nos mais complexos, tem-se buscado tecnologias para a automatização desta tarefa visando melhorar a qualidade. Os estudos que aplicam aprendizado profundo (deep learning) na classificação de micro-organismos por meio de redes neurais convolucionais (RNC) vêm apresentando bons resultados, no entanto, não foram encontrados estudos na literatura que mostrem a influência de fatores como compressão de imagens, escalonamento não uniforme e aumento de dados, especialmente utilizando pequenos conjuntos de imagens de micro-organismos, no desempenho das RNCs. Em vista disto, o objetivo desta pesquisa é analisar a influência de tais fatores realizando experimentos com as arquiteturas de RNC AlexNet e DenseNet-121, que já demonstraram bons resultados em outras pesquisas neste tema. Os resultados obtidos nos experimentos conduzidos permitiram evidenciar que alguns fatores, tais como o tipo de compressão de dados utilizado e o escalonamento não uniforme aplicado nas imagens afetam negativamente o desempenho das RNCs, enquanto o aumento de dados utilizando técnicas de processamento de imagens como espelhamento, rotação e adição de ruído melhoram a performance das RNCs. Não obstante, o uso dos conjuntos de treinamento criados a partir desse conhecimento e o emprego dos parâmetros de configuração das RNCs otimizados permitiram obter acurácias de 98,61% com AlexNet e 99,82% com DenseNet-121, os quais são superiores àqueles relatados no estado da arte. Assim, esta pesquisa pode auxiliar na redução do tempo de preparo do dataset e do treinamento de RNCs, reduzindo o custo computacional e aumentando a consistência e a acurácia da identificação dos micro-organismos.",
 	publisher = {Universidade Nove de Julho},
 	scholl = {Programa de Pós-Graduação em Informática e Gestão do Conhecimento},
 	note = {Informática}
}