A reconstrução de imagens é muito importante para atividades que dependem da análise ótica e comparativa de dados. Os sinais, obtidos através de sistemas de aquisição, podem ser corrompidos por vários fatores, como movimentação da câmera e ruídos, mas podem ser recuperados pela aplicação de técnicas que os modelam matematicamente. Com isso, ferramentas de otimização contínua vem se tornando populares nos últimos anos em problemas de imagem. Este trabalho busca reconstruir imagens ruidosas, utilizando o non-monotone Boosted DC Algorithm (nmBDCA), uma variante acelerada do Difference of Convex Algorithm (DCA), com uma versão não convexa do modelo de Total Variation (TV), para obter melhor desempenho computacional que o DCA, com qualidade superior. Os resultados são mostrados em três seções: a primeira com imagens em preto e branco, a segunda com imagens médicas de tomografia computadorizada (TC) e a terceira comparando o nmBDCA a uma versão do Boosted Difference of Convex Algorithm (BDCA) com suavização da primeira componente DC, reconstruindo imagens médicas de TC e imagens de ressonância magnética (RM), com diferentes tipos e níveis de ruído. Os resultados da primeira seção enfatizam que o nmBDCA realiza reconstruções com maior PSNR em todos os experimentos, menor tempo de CPU e SSIM maior ou igual ao DCA em 91,67% dos testes. O modelo de TV não convexo é mais robusto que o convexo na presença de mais ruído, apresentando SSIM e PSNR maiores em todos os experimentos realizados. Na segunda seção, o nmBDCA supera DCA em qualidade de reconstrução e tempo de CPU em todos os testes. O desempenho do modelo não convexo aplicado com nmBDCA supera o modelo convexo em SSIM e tempo de CPU em todos os experimentos, sendo superior em PSNR em 77,78% dos os testes. A terceira seção de resultados mostra a superioridade do nmBDCA em relação ao BDCA, tanto em tempo de CPU quanto na qualidade das imagens recuperadas.

 A radiografia é uma ferramenta essencial na medicina moderna para a visualização interna do corpo
humano. Essa técnica, amplamente utilizada para examinar diversas patologias, como doenças ósseas e
alterações em tecidos moles, fornece imagens detalhadas com base na absorção diferencial dos raios-X por
tecidos de diferentes densidades. No entanto, a análise de radiografias apresenta desafios significativos, como a
identificação de anomalias sutis e a interpretação precisa das imagens, muitas vezes dificultada pela
variabilidade dos exames e pela sobrecarga de trabalho dos radiologistas. Esta tese propõe uma abordagem
inovadora para otimizar a triagem de exames e a geração de laudos médicos preliminares a partir de
radiografias, com foco nas radiografias da coluna lombo-sacra e dos pododáctilos. A metodologia desenvolvida
combina técnicas de inteligência artificial preditiva e generativa, utilizando arquiteturas avançadas de redes
neurais convolucionais como Inception-V3, VGG e ResNet50, aliadas a modelos generativos baseados em
Transformers, para enfrentar os desafios associados à análise radiográfica. O objetivo principal é melhorar a
eficiência na triagem de exames e fornecer laudos médicos automatizados como suporte à decisão clínica,
oferecendo uma segunda opinião detalhada para auxiliar no diagnóstico tanto na coluna lombo-sacra quanto nos
pododáctilos. A pesquisa utilizou dois conjuntos de dados radiográficos de lombo-sacra composto por 44,540 e
de pododáctilos composto por 16,710. As imagens foram coletadas de hospitais e clinicas de todo território
brasileiro, abrangendo uma variedade de cenários clínicos. O desenvolvimento de modelos preditivos, baseado
em aprendizado profundo, focou na triagem e filtragem de radiografias, identificando exames que requerem
maior atenção e otimizando a eficiência do processo. Além disso, foram desenvolvidos modelos generativos,
usando técnicas de aumento de dados e fine-tuning, para a geração automática de laudos médicos preliminares,
complementando o trabalho dos radiologistas com diagnósticos e descrições detalhadas a partir das imagens
analisadas. Os resultados obtidos na metodologia de classificação de patologias de lombo-sacra, utilizando a
técnica de ensemble, demonstraram alta precisão, com valores de 0,941 (Acurácia), 0,874 (kappa), 0,983
(Precisão), 0,952 (F1-Score), 0,947 (AUC), 0,972 (Especificidade) e 0,983 (Sensibilidade). Já na geração
automática de laudos para radiografias de lombo-sacra, as métricas alcançadas foram: 0,612 (BLEU-1), 0,552
(BLEU-2), 0,507 (BLEU-3), 0,470 (BLEU-4), 0,471 (METEOR) e 0,633 (ROUGE-L). Para os laudos gerados a
partir de radiografias de pododáctilos, os resultados foram: 0,516 (BLEU-1), 0,432 (BLEU-2), 0,386 (BLEU-3),desenvolvido, que demonstrou potencial para melhorar a precisão dos diagnósticos, otimizar o processo de
triagem e oferecer uma solução prática e eficiente para a geração automática de laudos médicos, contribuindo
significativamente para o avanço da prática clínica moderna.

As radiografias de tórax, ou raios X de tórax, são os exames de imagem mais utilizados diariamente nos hospitais. Responsável por auxiliar na detecção de inúmeras patologias e achados que interferem diretamente na vida do paciente, esse exame é, portanto, fundamental na triagem dos pacientes. O uso de técnicas de visão computacional atrelada ao aprendizado profundo auxiliam na tomada de decisão por parte do médico radiologista, fornecendo uma segunda opinião e consequentemente reduzindo custos operacionais. Diante disso, este trabalho propõe uma metodologia hierárquica e baseada em um comitê de Redes Neurais Convolucionais (Convolutional Neural Networks - CNNs) para auxiliar no diagnóstico de exames de raios X de tórax, inicialmente rastreando-os com alta probabilidade de serem normais ou anormais e posterior detecção da patologia. No desenvolvimento da etapa de triagem deste estudo, foi utilizado um conjunto de dados com imagens de raios-X de incidências frontal e lateral. Para a construção do modelo ensemble, foram avaliadas as arquiteturas VGG-16, ResNet50 e DenseNet121, comumente utilizadas na classificação de radiografias de tórax. Um Limiar de Confiança (CTR) foi usado para definir as previsões em Normal de Alta Confiança (HCn), classificação Borderline (BC) ou Anormal de Alta Confiança (HCa). Nos testes realizados, foram alcançados resultados bastante promissores: 54,63% dos exames foram classificados com alta confiança; dos exames normais, 32% foram classificados como HCN com uma taxa de falsa descoberta (FDR) de 1,68%; e quanto aos exames anormais, 23% foram classificados como HCa com 4,91% taxa de falsas omissões (FOR). Na etapa de detecção de anormalidades, empregamos a VGG-16 pré-treinada com a base utilizada no desenvolvimento da triagem para avaliar o dataset da NIH Chest X-rays 14, onde foi obtida a AUC média de 0,8484.

O aprendizado de máquina é uma técnica relevante de reconhecimento de padrões
por meio da detecção de correlações entre os dados. Em se tratando de aprendizado não
supervisionado, os grupos formados a partir dessas correlações podem receber um rótulo, que
consiste em descrevê-los em termos de seus atributos mais relevantes e suas respectivas faixas
de valores para que sejam compreendidos automaticamente. Nesse trabalho de pesquisa, esse
processo é intitulado de rotulação. Entretanto, um desafio para os pesquisadores é estabelecer
o número ótimo de grupos que melhor representa a estrutura subjacente dos dados submetida
ao agrupamento. Esse número ótimo pode variar dependendo do conjunto de dados e do
método de agrupamento utilizado e influência no processo de clusterização dos dados e
consequentemente na interpretação dos grupos gerados. Portanto, essa pesquisa tem o intuito
de fornecer uma abordagem de interpretação de grupos a partir de critério de inferência da
quantidade ótima de clusters a ser utilizada no agrupamento, com base em faixa de valores dos
atributos, seguida de uma rotulação automática de dados baseada em métrica de dispersão para
maximizar a compreensão dos grupos obtidos. Essa metodologia foi aplicada a sete bases de
dados e os resultados mostram que ela contribui para a interpretação dos grupos, uma vez que
gera rótulos mais precisos.

In the context of smart power grids, demand-side management is a set of measures to motivate end consumers into adapting their energy demand to the available generation resources. To achieve this goal, demand-side management solutions reward flexible consumers through demand response programs. Recent trends point towards the development of home energy management systems to leverage the potential of residential consumers to contribute to demand response efforts. However, current research is still ongoing and more studies are needed on how to design demand response programs with home energy management systems that appeal to end consumers. This study addresses limitations of home energy management systems in the literature and proposes a demand-side management approach based on a bi-level optimization model. First, consumers solve a lower-level multi-objective load scheduling problem to optimize their savings and comfort. Then, demand aggregators solve an upper-level single-objective demand profile aggregation problem to optimize its peak-to-average ratio. Experiments investigate the impact of optimization methods, distributed energy resources, consumer preferences and behavioral patterns on the demand response program. Results indicate that end consumer flexibility and active consumer participation are key factors to the success of demand-side management solution.