Classificação de Imagens de Malária via Redes Neurais Convolucionais

Machine Learning
Concluído
Classificação binária (infectado/não infectado) de imagens de esfregaço sanguíneo para diagnóstico de malária, usando redes neurais convolucionais (CNN).
Data de Publicação

14 de julho de 2026

Objetivos

Diagnóstico de malária por microscopia depende de análise visual de lâminas de esfregaço sanguíneo, um processo manual, sujeito a variabilidade entre examinadores e que demanda tempo de profissionais especializados. Este projeto avalia o uso de CNNs para automatizar essa triagem. Objetivos:

  • Treinar uma CNN para classificação binária de células (parasitadas / não parasitadas) a partir de um conjunto de imagens de esfregaço sanguíneo;
  • Comparar arquiteturas (uma CNN rasa treinada do zero vs. transfer learning com arquiteturas pré-treinadas, ex: ResNet, MobileNet);
  • Avaliar métricas relevantes para o contexto de saúde (sensibilidade/recall, especificidade, matriz de confusão), não apenas acurácia, dado o custo assimétrico de falsos negativos;
  • Analisar interpretabilidade (ex: Grad-CAM) para verificar se o modelo atenta às regiões da célula clinicamente relevantes.

Este projeto guarda relação com um artigo já publicado (Revista DCS, 2026) fruto da dissertação de mestrado de Raphael Saraiva Sousa, cujo código está em repositório privado — esta é uma proposta de replicação/extensão aberta, como projeto de IC independente.

Pré-requisitos

  • Aprendizagem de Máquina / Deep Learning (fundamentos de redes neurais e CNNs);
  • Programação em Python (PyTorch ou TensorFlow/Keras);
  • Noções básicas de estatística para avaliação de classificadores (matriz de confusão, curva ROC).

Estrutura Sugerida para o Grupo Autogerenciado

  • Reuniões semanais do grupo, com reunião quinzenal com o orientador para acompanhamento;
  • Entregáveis mensais: notebook com experimentos, métricas de avaliação e comparação entre arquiteturas testadas;
  • Ferramentas: repositório Git compartilhado, ambiente com GPU (Google Colab ou cluster local, conforme disponibilidade), controle de experimentos (ex: planilha simples ou MLflow);
  • Divisão sugerida: um membro focado em pré-processamento e pipeline de dados, outro em arquitetura/treinamento dos modelos, outro em avaliação, interpretabilidade e documentação dos resultados.

Referências

  1. Rajaraman, S. et al. (2018). Pre-trained convolutional neural networks as feature extractors toward improved malaria parasite detection in thin blood smear images. PeerJ. [placeholder — confirmar edição/páginas]
  2. Sousa, R. S. (2026). Dissertação de Mestrado — diagnóstico de malária via visão computacional. PPCA/UFPA. [placeholder — completar referência definitiva do artigo/dissertação]
  3. Selvaraju, R. R. et al. (2017). Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization. ICCV. [placeholder — confirmar edição/páginas]