Banca de DEFESA: ISAAC SILVA SANTOS RAMOS

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: ISAAC SILVA SANTOS RAMOS
DATA: 20/02/2026
HORA: 14:30
LOCAL: Virtual -meet.google.com/zam-byfu-ofk
TÍTULO: Exploração de Modelos Híbridos com Atenção para Classificação de Ceratite Infecciosa em Imagens de Microscopia Confocal in Vivo
PALAVRAS-CHAVES: Microscopia Confocal in vivo. Ceratite infecciosa. Aprendizado profundo. Modelos híbridos. Self-Attention. Interpretabilidade (Grad-CAM)
PÁGINAS: 127
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 (CI) é uma inflamação da córnea causada por agentes patológicos, como fungos e protozoários do gênero Acanthamoeba, podendo evoluir para cegueira quando não diagnosticada precocemente. Embora a cultura microbiológica seja um método preciso, sua natureza invasiva e o tempo de resposta limitam o uso clínico. Nesse contexto, a microscopia confocal in vivo (IVCM) surge como alternativa não invasiva e de alta resolução, porém sua interpretação demanda expertise especializada. Este trabalho investiga modelos de deep learning para a classificação automática de imagens IVCM em quatro classes: ceratite fúngica (FK), ceratite por Acanthamoeba (AK), ceratite não especificada (NSK) e córnea normal. A partir da base pública IVCM-Keratitis, realizou-se pré-processamento e balanceamento do conjunto de treinamento por aumento de dados, com divisão estratificada inicial e validação cruzada em cinco folds. Foram avaliadas quatro arquiteturas convolucionais individuais (VGG16, MobileNetV3, DenseNet161 e ResNet101) e quatro variações híbridas, baseadas na concatenação de vetores de características de dois backbones. As abordagens mais completas incorporam um bloco de atenção do tipo Self-Attention (SA) após a concatenação, permitindo ponderar a relevância relativa das características antes da classificação por uma MLP. Os resultados indicam que a Abordagem IV (DenseNet161 + ResNet101 com SA) apresentou o melhor equilíbrio entre detecção e erros de classificação, alcançando médias de precisão de 96,22%, sensibilidade de 96,01% e F1-score de 96,03% (acurácia média de 96,01%). Por fim, aplicou-se o algoritmo Grad-CAM para interpretar qualitativamente as regiões mais relevantes nas predições, evidenciando padrões de atenção complementares entre os backbones. Os achados sugerem que modelos híbridos com AS podem contribuir para diagnósticos assistidos em contextos com escassez de especialistas, apoiando a tomada de decisão clínica e reduzindo casos de perda visual evitável.

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
Externo à Instituição - 664.***.***-49 - ANNE MAGALY DE PAULA CANUTO - UFRN