Aluna: Laiara Cristina da Silva
\nDisserta\u00e7\u00e3o de Mestrado<\/p>\n
Resumo:<\/p>\n
A importa\u0302ncia da func\u0327a\u0303o glomerular na fisiologia renal e o fato de suas leso\u0303es afetarem outros segmentos do ne\u0301fron caracterizam as enfermidades glomerulares, como um dos principais problemas em Nefrologia nos dias de hoje. No Brasil, as glomerulopatias sa\u0303o uma das causas mais comuns de fale\u0302ncia renal e responsa\u0301veis por cerca de 27% dos transplantes. Desta forma, encontrar e classificar leso\u0303es glomerulares sa\u0303o etapas fundamentais para o diagno\u0301stico de muitas doenc\u0327as renais e que contam com a experie\u0302ncia de um nefropatologista. Ale\u0301m disso, muitos fatores como fadiga e trabalho repetitivo inerentes a\u0300 profissa\u0303o podem conduzir a um diagno\u0301stico errado. Por outro lado a Aprendizagem de Ma\u0301quina se apresenta como importante ferramenta devido a\u0300 sua capacidade de simular o conhecimento de um especialista a partir de experie\u0302ncias passadas, por isso, ve\u0302m sendo utilizada com sucesso na resoluc\u0327a\u0303o de muitos problemas complexos. Tendo isso em vista, este trabalho realiza um estudo comparativo entre os algoritmos de Aprendizagem de Ma\u0301quina A\u0301rvore de Decisa\u0303o, SVM, Random Forest e MLP a fim de propor um modelo de classificador que auxilie o profissional especialista na definic\u0327a\u0303o de um diagno\u0301stico de patologia renal. Concomitante ao estudo comparativo entre os classificadores, este trabalho tambe\u0301m analisa 6 descritores de textura das imagens, cuja combinac\u0327a\u0303o de 1 ou mais desses descritores sera\u0301 adicionada aos dados cli\u0301nicos correspondentes a\u0300 cada imagem e juntos servira\u0303o como entrada de um classificador. Ale\u0301m disso, outro conjunto hi\u0301brido de dados cli\u0301nicos com deep features foram testados, ao todo foram testadas 5 redes pre\u0301-treinadas. Os melhores resultados que obtivemos foi quando concatenamos os recursos de DC e HOG, que resultou em um excelente i\u0301ndice Kappa e acura\u0301cia de 98,46% e quando concatenamos DC e MobileNet, obtivemos i\u0301ndice Kappa excelente e acura\u0301cia de 95,38%.<\/p>\n