@PHDTHESIS{ 2022:929566817,
 	title = {Classificação de Leucemias Utilizando Aumento de Dados, Transferência de Aprendizado e Combinação de CNNs},
 	year = {2022},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/tede/4439",
 	abstract = "O diagnóstico precoce da leucemia, aumenta significativamente as chances de cura dos
 pacientes. Mas para isto é preciso ter ciência de qual forma primária o paciente é
 portador, uma vez que pode se manifestar de duas formas: aguda e crônica, estas ainda
 se subdividem em mieloide e linfoide. O foco inicial do presente estudo consiste na forma
 aguda que é um tipo particular de leucemia, onde causa crescimento celular anormal em
 um curto período de tempo, o que requer um diagnóstico preciso e rápido, para aumentar
 as chances do tratamento ser bem sucedido. Em sequência, expandimos o foco do
 trabalho para a classificação em outros tipos de leucemia. Um aliado nestes diagnósticos
 são os modelos de aprendizagem profunda, que têm sido cada vez mais utilizados em
 sistemas de diagnóstico médico auxiliados por computadores. Este estudo propõe
 uma rede neural convolucional (Convolutional Neural Network - CNN) chamada Acute
 Leukemias Recognition Network (AlertNet), inspirada em blocos convolucionais da rede
 Vgg16, mas com camadas densas menores. Para definir os parâmetros da rede AlertNet
 e suas variações, avaliamos diferentes modelos de CNNs e métodos de ajuste fino
 usando dezoito conjuntos de dados de imagens, com diferentes características de
 resolução, contraste, cor e textura, o que totalizou 3.536 imagens. Além desta rede,
 também utilizamos sete redes pré-treinadas para avaliação e comparação dos resultados.
 Aplicamos operações de aumento de dados para expandir o conjunto de dados de
 treinamento e dividimos em cinco cenários de classificações de leucemia: três problemas
 de classificação binária e dois problemas de classificação multiclasse. Para avaliar a
 capacidade de generalização das CNNs, aplicamos uma técnica de validação cruzada no
 conjunto de dados. Os resultados dos experimentos foram promissores, com 96,17% de
 acerto para a classificação de leucemia aguda e com 94,73% e 94,59% de acertos
 obtidos pelo multilevel e comitê para o cenário com quatro classes, respectivamente.
 Métodos como multilevel e comitê foram aplicados neste estudo com o objetivo de
 melhorar o desempenho das redes. Esses métodos contribuíram para reduzir o erro ou
 variância nas previsões, o que por sua vez, melhora a precisão do modelo.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO DOUTORADO EM CIÊNCIA DA COMPUTAÇÃO},
 	note = {DEPARTAMENTO DE INFORMÁTICA/CCET}
}