Classificação de células infectadas por malária utilizando representações profundas.

Abstract

A malária é uma doença infecciosa, especialmente em países emergentes. Este trabalho teve como objetivo principal desenvolver e avaliar um modelo de classificação para identificar Red Blood Cells (RBC) infectadas e não infectadas por malária, utilizando a arquitetura de rede neural convolucional EfficientNet-B0 e o Vision Transformer (ViT), explorando o uso de representações profundas. Foram aplicadas técnicas como Transfer Learning (TL) e Cosine Decay para otimizar o treinamento do modelo EfficientNet-B0. A metodologia envolveu dois cenários de avaliação: o primeiro com validação cruzada estratificada, alcançando uma acurácia de 94% com EfficientNet B0 e TL, e o segundo com uma divisão em treino, validação e teste baseada na literatura, onde o EfficientNet-B0 atingiu 96% de acurácia com TL e Cosine Decay. A aplicação de Super Resolution (SR) como pré-processamento, utilizando o Enhanced Super-Resolution Generative Adversarial Network (ESRGAN), combinada com o ViT, resultou em uma acurácia de 97%. Os resultados indicam que o uso de TL e Cosine Decay foi crucial para otimizar o desempenho do EfficientNet B0, especialmente no recall para a classe infectada. Adicionalmente, o ViT, precedido por SR, demonstrou resultados competitivos, equiparando-se ao estado da arte. Conclui-se que os modelos propostos, representam abordagens eficazes e promissoras para a classificação de malária, com desempenhos competitivos em relação à literatura existente.