Agenda de Defesas
- UFPE/
- Research/Innovation/
- Defense Schedule/
- Ciência da Computação promove defesas de dissertações esta semana
Events Events
Ciência da Computação promove defesas de dissertações esta semana
As três apresentações ocorrerão on-line, via Google Meet
O Programa de Pós-Graduação em Ciência da Computação da UFPE promoverá, esta semana, as defesas de dissertações de mestrado dos alunos Carlos Henrique Caloete Pena, orientado pelo professor Tsang Ing Ren; Luiza Carvalho Silveira e Heitor Victor Veiga da Costa, orientados pelo professor Fernando Maciano de Paula Neto. Ambas as defesas ocorrerão on-line.
O trabalho do aluno Carlos Henrique Caloete Pena tem o título “An Ensemble Learning Method for Segmentation Fusion” e será apresentado amanhã (25) às 15h. A defesa conta com a banca examinadora formada pelos docentes Carlos Alexandre Barros de Mello (UFPE/Centro de Informática), Luis Filipe Alves Pereira (UFPE/Departamento de Ciências da Computação) e Tsang Ing Ren (UFPE/Centro de Informática). Interessados em assistir podem entrar em contato com o aluno através do seu e-mail chcp@cin.ufpe.br.
Já a dissertação de Luiza Carvalho Silveira é intitulada “Combinação de técnicas de aprendizado profundo para classificação de raio-x toráxico em apoio ao diagnóstico de Covid-19” e será apresentada também amanhã (25) às 15h. A defesa conta com a banca examinadora formada pelos docentes Aluizio Fausto Ribeiro Araújo (UFPE/Centro de Informática), Thais Gaudencio do Rego (UFPB/Departamento de Informática) e Fernando Maciano de Paula Neto (UFPE/Centro de Informática). Interessados em assistir podem entrar em contato com o aluno através do seu e-mail lcs11@cin.ufpe.br.
O mestrando Heitor Victor Veiga da Costa, por sua vez, apresentará um trabalho cujo título é “Decomposição de séries temporais utilizando o modelo GAMLSS: uma nova metodologia híbrida para previsão de séries temporais”, a ser apresentado nesta sexta-feira (26), às 9h30. A defesa conta com a banca examinadora formada pelos docentes Leandro Maciel Almeida (UFPE/Centro de Informática), Ulisses Ramos Montarroyos (UPE/Instituto de Ciências Biológicas) e Fernando Maciano de Paula Neto (UFPE/Centro de Informática). Interessados em assistir podem entrar em contato com o aluno através do seu e-mail hvvc@cin.ufpe.br.
Resumo 1
A segmentação das células presentes nas imagens microscópicas é uma etapa essencial em muitas tarefas, incluindo a aferição da concentração de proteínas e a análise da expressão gênica das células. Em estudos de genômica, as segmentações celulares são vitais para avaliar a composição genética de células individualmente e a sua localização espacial relativa. Vários métodos e ferramentas foram desenvolvidos para oferecer uma segmentação robusta, sendo, atualmente, os modelos de deep learning as soluções mais promissoras. Como alternativa ao desenvolvimento de outro modelo direcionado de segmentação de células, propomos, nesta dissertação, uma estratégia de aprendizado de fusão que agrega diversas segmentações candidatas independentes provindas de uma mesma imagem para produzir uma única segmentação de consenso. Estamos particularmente interessados em aprender como agrupar segmentações de imagens provindas de ferramentas crowdsourcing, podendo ser criadas por especialistas e não especialistas em laboratórios e data centers. Assim, comparamos nosso modelo de fusão com outros métodos adotados pela comunidade biomédica e avaliamos a robustez dos resultados em três aspectos: fusão com outliers, dados com subsegmentação e deformações sintéticas. Nossa abordagem supera os métodos em eficiência e qualidade, especialmente, quando há uma grande discordância entre as segmentações candidatas da mesma imagem.
Resumo 2
A aplicação de técnicas de deep learning no âmbito de serviços de saúde é um campo de pesquisa emergente na área de Ciência da Computação. A utilização de modelos de deep learning como ferramenta de apoio ao diagnóstico de doenças a partir de exames de imagem tem despertado interesse crescente de pesquisadores da área. A pandemia da covid-19 motivou o desenvolvimento de modelos de deep learning para detecção de padrões de imagem tendo em vista a escassez de recursos, como exames sorológicos, ter estimulado a utilização alternativa de exames de imagem para detecção da síndrome respiratória. No caso da covid-19, os exames de raios-X e tomografia do tórax são realizados rotineiramente para investigação da hipótese diagnóstica. Este trabalho combina diferentes técnicas anteriormente aplicadas para detecção da covid-19 e descreve a qualidade das melhores pipelines encontradas quanto à capacidade de diferenciar três classes de pacientes: aqueles infectados pelo vírus da covid-19, pacientes com síndrome respiratória causada por outro agente que não o Sars-CoV-2, e, finalmente, pacientes saudáveis. Além disso, é aberta uma discussão sobre a real capacidade de generalização dos modelos existentes até então ao se realizar predições para conjuntos de dados totalmente novos. As técnicas utilizadas para a construção dos pipelines foram segmentação de imagens, transfer learning e aumento de dados. O modelo proposto obteve F1-Score de 90,8% para o conjunto de testes e 55,1% para o conjunto de testes alternativo.
Resumo 3
Este estudo teve por objetivo geral propor uma abordagem para modelagem de séries temporais aplicando o modelo estatístico Generalized Additive Models for Location, Scale and Shape (GAMLSS) para a sua decomposição. Os objetivos específicos consistiram em: (i) Observar sua capacidade preditiva; (ii) Identificar os potenciais efeitos da pandemia de covid-19 nas séries temporais e padrões espaciais de nascidos vivos no estado de Pernambuco (2010 até 2021). Com a decomposição, foi feita a modelagem de seus resíduos para refinar a qualidade de ajustamento aos dados, sendo tal procedimento conhecido como um tipo de modelagem híbrida. Os resultados demonstraram que o procedimento proposto traz vantagens em termos de acurácia, onde se obteve melhor performance preditiva em sete de 15 experimentos realizados (a partir do erro quadrático médio e o erro percentual absoluto médio). Quanto aos impactos da covid-19, os resultados não indicaram uma mudança clara no número de nascidos vivos, mas apoiou a continuação esperada da tendência decrescente dos anos anteriores. Considerando a importância do número de nascidos vivos no contexto demográfico, econômico e da saúde pública, o monitoramento deve ser mantido para analisar um possível impacto futuro da pandemia de covid-19 nas projeções de nascidos vivos. A abordagem apresentada retornou boa performance preditiva e possibilidade de gerar resultados inferenciais confiáveis.