Banca de QUALIFICAÇÃO: ISAAC SILVA SANTOS RAMOS

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: ISAAC SILVA SANTOS RAMOS
DATA: 17/09/2025
HORA: 10:00
LOCAL: Sala de Videoconferência do PPGCC
TÍTULO: Classificação de Ceratite Infecciosa em Imagens de Microscopia Confocal in Vivo Utilizando Modelo de Aprendizado Profundo Híbrido e Mecanismo de Atenção
PALAVRAS-CHAVES: Ceratite, Self-Attention, Fusão de Características
PÁGINAS: 85
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Sistemas de Computação
ESPECIALIDADE: Arquitetura de Sistemas de Computação
RESUMO:

A ceratite infecciosa é uma condição ocular potencialmente grave, caracterizada por
inflamação da córnea decorrente de infecções por fungos, bactérias ou vírus. Embora o
cultivo microbiológico do raspado corneano seja o método diagnóstico mais preciso, seu
caráter invasivo e o tempo prolongado de obtenção dos resultados tornam necessário o
desenvolvimento de métodos alternativos. A microscopia confocal in vivo (IVCM - In Vivo
Confocal Microscopy) surge como uma técnica não invasiva capaz de capturar imagens
em alta resolução de todas as camadas da córnea, permitindo que um diagnóstico possa
ser emitido por um médico especialista, com base na análise das imagens obtidas. Neste
contexto, é possível imaginar a aplicação de técnicas de aprendizado profundo como
ferramenta de classificação de imagens obtidas por microscopia, já que tais modelos têm se
destacado como ferramentas promissoras para a análise automatizada de imagens médicas.
Este trabalho propõe a construção e avaliação de um modelo híbrido de redes neurais
convolucionais (CNN - Convolutional Neural Networks), voltado à classificação automática
de imagens IVCM associadas à ceratite infecciosa. O modelo combina representações
extraídas de diferentes modelos de deep learning com mecanismos de atenção e o uso da
técnica Grad-CAM, que complementa a abordagem proposta e oferece interpretabilidade
aos resultados de classificação obtidos pelo modelo. Foram desenvolvidas oito abordagens
de arquitetura, das quais a abordagem em que os vetores de características pertencentes
à VGG16 e MobileNet são concatenados servem de entrada para o bloco de atençãoself-attention apresentou o melhor desempenho, atingindo acurácia média de 97,13%,
precisão de 94,77%, sensibilidade de 95,80%, AUC de 99,44% e F1-score de 95,24%. Os
resultados obtidos demonstram o potencial da abordagem híbrida proposta para aplicações
em classificação assistida por computador, contribuindo para a redução de casos de cegueira
evitável por ceratite infecciosa.

MEMBROS DA BANCA:
Presidente - 1177449 - IVAN SARAIVA SILVA
Interno - 1350246 - KELSON ROMULO TEIXEIRA AIRES
Interno - 1579396 - RODRIGO DE MELO SOUZA VERAS
Interno - 1446435 - VINICIUS PONTE MACHADO