Aplicação de modelos de redes neurais de análise de textura na área de microscopia
Resumo
O artigo aborda o uso de redes neurais artificiais na análise de texturas em imagens médicas, com ênfase na detecção de células infectadas pela malária. São apresentados os conceitos de funcionamento das redes, bem como a importância da textura para discriminação e classificação de padrões. O estudo utilizou o Malaria Cell Images Dataset para comparar duas abordagens: o modelo RADAM, que usa redes convolucionais pré-treinadas apenas como extratoras de características combinadas a um classificador SVM, e o modelo BAMBOO, baseado em uma ResNet-50 treinada em um grande conjunto de imagens. Ambos obtiveram alto desempenho, com acurácia próxima a 96%, sendo que o BAMBOO apresentou menor número de erros críticos. Conclui-se que as duas técnicas são eficazes, mas a escolha deve considerar o contexto: RADAM é mais indicado para cenários com recursos computacionais limitados, enquanto o BAMBOO oferece maior confiabilidade em aplicações clínicas.
Referências
M. Mirzaey, M. B. Jamshidi, and Y. Hojatpour, “Applications of artificial neural networks in information system of management accounting,” International Journal of Mechatronics, Electrical and Computer Technology, vol. 7, no. 25, pp. 3523–3530, 2017.
M. L. C. S. Domingues, “Mineração de dados utilizando aprendizado não-supervisionado: um estudo de caso para bancos de dados da saúde,” 2003.
A. Materka, M. Strzelecki et al., “Texture analysis methods–a review,” Technical university of lodz, institute of electronics, COST B11 report, Brussels, vol. 10, no. 1.97, p. 4968, 1998.
I. F. VIEIRA, “Análise quantitativa de imagens médicas funcionais utilizando métodos de reconhecimento de padrões e inteligência artificial,” 2018.
A. Chornyi, “Fine tuning vs feature extraction in transfer learning,” Codefinity Blog, Dec. 2023, blog post, 9 min read. [Online]. Available: [link]
L. F. d. S. Scabini and O. M. Bruno, “Ia desenvolvida na usp é a melhor do mundo para reconhecer texturas [depoimento a ivan conterno],” Jornal da USP, 2024.
I. Arunava, “Cell images for detecting malaria,” Kaggle, 2018, acessado em October 11, 2025. [Online]. Available: [link]
L. Scabini, K. M. Zielinski, L. C. Ribas, W. N. Gonçalves, B. De Baets, and O. M. Bruno, “Radam: Texture recognition through randomized aggregated encoding of deep activation maps,” Pattern Recognition, vol. 143, p. 109802, 2023.
C. Cortes and V. Vapnik, “Support-vector networks,” Machine learning, vol. 20, no. 3, pp. 273–297, 1995.
Y. Zhang, Q. Sun, Y. Zhou, Z. He, Z. Yin, K. Wang, L. Sheng, Y. Qiao, J. Shao, and Z. Liu, “Bamboo: Building mega-scale vision dataset continually with human–machine synergy,” International Journal of Computer Vision, pp. 1–16, 2025.
P. C. T. Gomes. (2024, october) Matriz de confusão: Como utilizar para análise de modelos? Acesso em [inserir data de acesso]. [Online]. Available: [link]
Google, “Classification: Accuracy, precision, recall, and related metrics,” Google Developers, 2024, acessado em October 11, 2025. [Online]. Available: [link]
W. N. Galvão, “Segmentação de vasos sanguíneos utilizando redes neurais convolucionais: visualização e análise de correlação dos mapas de ativação,” 2023.
