@MASTERSTHESIS{ 2025:1830990113,
 	title = {Aprendizado auto-supervisionado para classificação e recuperação de imagens histopatológicas},
 	year = {2025},
 	url = "http://tede2.uefs.br:8080/handle/tede/1884",
 	abstract = "A histopatologia analisa tecidos e lesões para diagnóstico de doenças, mas essa análise manual costuma ser trabalhosa e sujeita a erros. Para melhorar a acurácia e reduzir a carga dos patologistas, sistemas de diagnóstico assistido por computador podem ser usados, incluindo classificadores de doenças e ferramentas de recuperação de imagens baseada em conteúdo. No entanto, para serem utilizados, esses sistemas
 necessitam extrair features das imagens, mas a rotulação dessas imagens também exige um grande esforço, sendo demorada e onerosa. Para atenuar estes problemas, abordagens centradas em aprendizado auto-supervisionado podem ser exploradas, aproveitando a estrutura dos próprios dados para aprendizado. Neste contexto, levando em consideração os desafios apresentados, este trabalho desenvolveu e avaliou
 experimentalmente modelos auto-supervisionados, aplicados em tarefas de classificação e recuperação de imagens histopatológicas. Para isso, foi conduzida uma análise comparativa, incluindo extratores pré-treinados com imagens naturais: ResNet50, DINOv2 (Small e Base), e extratores do estado da arte específicos de histopatologia, RetCCL e Phikon ViT-B. Além disso, considerando os resultados promissores que os
 modelos DINOv2 Small e Base têm alcançado, foi realizado o fine-tuning, dando origem aos modelos DINOHist-S e DINOHist-B, para avaliar seu comportamento com imagens histopatológicas. Para avaliar o potencial dos modelos foram realizados amplos experimentos com sete bases de dados. Os resultados na tarefa de classificação de lesões demonstraram que, ao ajustar os modelos DINOv2 com poucas iterações,
 pode-se igualar ou superar os extratores de última geração do domínio histopatológico. Para alguns cenários, os modelos avaliados alcançaram eficácia acima de 99% para múltiplas medidas. Além disso, observou-se que os modelos de estado da arte foram significativamente inferiores em bases de dados de lesões renais, enquanto o fine-tuning permitiu melhores resultados, mesmo para conjuntos de dados pequenos.
 Na tarefa de recuperação de imagens por conteúdo, os resultados demonstraram que
 o Phikon ViT-B superou os demais modelos em múltiplos níveis de ranking, alcançando valores de MAP superiores a 90% na maioria das bases de dados e em todos os rankings avaliados. Para a maioria dos datasets, o Phikon ViT-B foi estatisticamente superior, com exceção das bases de lesões renais. Para estas, o DINOHist-S e o DINOHist-B apresentaram os melhores resultados. Em geral, os resultados demonstraram que o ajuste de modelos base em domínios específicos podem superar modelos especializados treinados em larga escala, demandando apenas uma fração dos recursos e do tempo de treinamento em comparação a modelos de estado da arte. Para estender este trabalho, pesquisas futuras podem ser conduzidas, incluindo a
 avaliação de novas arquiteturas, a utilização de outros conjuntos de dados, a análise de diferentes estratégias de fine-tuning, entre outras.",
 	publisher = {Universidade Estadual de Feira de Santana},
 	scholl = {Programa de Pós-Graduação em Ciência da Computação},
 	note = {DEPARTAMENTO DE CIÊNCIAS EXATAS}
}