Please use this identifier to cite or link to this item: http://riu.ufam.edu.br/handle/prefix/7354
metadata.dc.type: Trabalho de Conclusão de Curso
Title: Classificação das fases do plasmodium em imagens do exame de gota espessa para a malária
metadata.dc.creator: Araujo, Fábio Arthur Soares
metadata.dc.contributor.advisor1: Costa, Marly Guimarães Fernandes
metadata.dc.contributor.advisor-co1: Costa Filho, Cícero Ferreira Fernandes
metadata.dc.contributor.referee1: Costa, Marly Guimarães Fernandes
metadata.dc.contributor.referee2: Costa Filho, Cícero Ferreira Fernandes
metadata.dc.contributor.referee3: Serrão, Mikaela Kalline Maciel
metadata.dc.description.resumo: A malária é uma doença potencialmente fatal que se espalha para os seres humanos através da picada das fêmeas do mosquito Anopheles infectadas com espécies de parasitas Plasmodium. O diagnóstico rápido da malária é recomendado pela OMS para todos os pacientes com suspeita de malária, antes de receberem tratamento. A microscopia de esfregaço de gota de sangue é um dos exames diagnósticos recomendados. No entanto, a microscopia de esfregaço de gota de sangue requer experiência, é demorada e está sujeita à variabilidade intra e inter microscopista. Por outro lado, a microscopia automatizada tem potencial de superar os problemas mencionados. Neste contexto, alguns métodos computacionais baseados em aprendizado de máquina para detecção e classificação de objetos foram desenvolvidos. Este trabalho propõe a detecção e identificação das fases do plasmodium em imagens de microscopia de campo claro de esfregaços de sangue. Foi analisado nove modelos de redes profundas através de um estudo de ablação em um processo de 2 etapas: a primeira realizando uma classificação binária e a segunda classificando os parasitas detectados na primeira etapa em uma de suas 4 fases. Os modelos foram testados com um conjunto de dados de imagens de domínio público. Os melhores resultados foram obtidos com a rede profunda Efficient Net B6 com otimizador RMSProp. Com esta rede obteve-se uma acurácia de 89,91% e um F1-score de 83,88% o que superou os resultados apresentados em estudos anteriores.
Abstract: Malaria is a potentially fatal disease that spreads to humans through the bite of female Anopheles mosquitoes infected with Plasmodium parasite species. Prompt diagnosis of malaria is recommended by the WHO for all patients with suspected malaria before they receive treatment. Blood smear microscopy is one of the recommended diagnostic tests. However, blood smear microscopy requires experience, is time-consuming and is subject to intra- and inter-microscopic variability. Automated microscopy has the potential to overcome these problems. In this context, some computational methods based on machine learning for object detection and classification have been developed. This work proposes the detection and identification of Plasmodium stages in brightfield microscopy images of blood smears. Nine deep network models were analyzed through an ablation study in a 2-stage process: the first performing a binary classification and the second classifying the parasites detected in the first stage into one of its 4 phases. The models were tested with a dataset of public domain images. The best results were obtained with the Efficient Net BX deep network. With this network, an accuracy of 89,91% and an F1-score of 83,88% were obtained, which surpassed the results presented in previous studies.
Keywords: Malária
Diagnóstico
Microscopia de gota de sangue
Aprendizado Profundo
Inteligência Artificial
metadata.dc.subject.cnpq: ENGENHARIAS: ENGENHARIA ELETRICA
metadata.dc.language: por
metadata.dc.publisher.country: Brasil
metadata.dc.publisher.department: FT - Faculdade de Tecnologia
metadata.dc.publisher.course: Engenharia Elétrica – Eletrônica - Bacharelado - Manaus
metadata.dc.rights: Acesso Aberto
metadata.dc.rights.uri: https://creativecommons.org/licenses/by-nc-nd/4.0/
URI: http://riu.ufam.edu.br/handle/prefix/7354
metadata.dc.subject.controlado: Malária - Diagnóstico
Microscopia - Técnica
Appears in Collections:Trabalho de Conclusão de Curso - Graduação - Engenharias

Files in This Item:
File Description SizeFormat 
TCC_FabioAraujo.pdf830,44 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.