@MASTERSTHESIS{ 2020:1187781100,
 	title = {Detecção automática de bacilos em baciloscopia de campo claro usando aprendizado profundo e técnica de imagem mosaico},
 	year = {2020},
 	url = "https://tede.ufam.edu.br/handle/tede/7938",
 	abstract = "A Tuberculose (Tb) é uma das 10 principais causas de morte em todo o mundo. O
 diagnóstico e o tratamento da Tb nos seus estados iniciais são fundamentais para o diminuir o
 índice de pessoas afetadas pela doença, visto que a transmissão do bacilo de Kock, o agente
 causador da Tb, é feito por via respiratória. Com o objetivo de auxiliar os especialistas no
 diagnóstico dessa doença, muitos trabalhos têm sido desenvolvidos para a detecção automática
 do bacilo de Kock em imagens de baciloscopia de campo claro, exame frequentemente utilizado
 para o diagnóstico da doença. Neste trabalho é apresentado um método de detecção de bacilos
 utilizando redes neurais convolucionais (RNC) para realizar a tarefa de segmentação associadas
 a uma técnica de construção das imagens do banco de dados que foi denominado como imagemmosaico. A metodologia consiste na implementação de redes neurais convolucionais para
 realizar a segmentação de objetos de interesse, no caso bacilos, em uma imagem-mosaico,
 seguida da contagem dos bacilos segmentados. Foram avaliadas três arquiteturas de RNC, três
 métodos de otimização e quatro métodos para avaliar a generalização de cada arquitetura. Ao
 todo foram realizadas 36 simulações. Avaliando os desempenhos das simulações, verificou-se
 que as redes com poucas camadas tem maior incidência de ruídos, ou seja, pixels classificados
 erroneamente como bacilos. Isso deve-se ao fato de que poucas camadas prejudicam o
 aprendizado da rede para diferenciar as classes. A arquitetura com maior quantidade de
 camadas, método de otimização ADAM e método de generalização com a camada dropout
 apresentou melhores resultados em relação às outras simulações. Esse modelo alcançou valores
 acima de 99% para as métricas acurácia, precisão, sensibilidade, especificidade e F1-score,
 métricas essas que foram utilizadas na avaliação dos modelos.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de Pós-graduação em Engenharia Elétrica},
 	note = {Faculdade de Tecnologia}
}