@MASTERSTHESIS{ 2025:1509405453,
 	title = {Aprendizado auto-supervisionado para classifica??o e recupera??o de imagens histopatol?gicas},
 	year = {2025},
 	url = "http://tede2.uefs.br:8080/handle/tede/1884",
 	abstract = "A histopatologia analisa tecidos e les?es para diagn?stico de doen?as, mas essa an?lise manual costuma ser trabalhosa e sujeita a erros. Para melhorar a acur?cia e reduzir a carga dos patologistas, sistemas de diagn?stico assistido por computador podem ser usados, incluindo classificadores de doen?as e ferramentas de recupera??o de imagens baseada em conte?do. No entanto, para serem utilizados, esses sistemas
 necessitam extrair features das imagens, mas a rotula??o dessas imagens tamb?m exige um grande esfor?o, sendo demorada e onerosa. Para atenuar estes problemas, abordagens centradas em aprendizado auto-supervisionado podem ser exploradas, aproveitando a estrutura dos pr?prios dados para aprendizado. Neste contexto, levando em considera??o os desafios apresentados, este trabalho desenvolveu e avaliou
 experimentalmente modelos auto-supervisionados, aplicados em tarefas de classifica??o e recupera??o de imagens histopatol?gicas. Para isso, foi conduzida uma an?lise comparativa, incluindo extratores pr?-treinados com imagens naturais: ResNet50, DINOv2 (Small e Base), e extratores do estado da arte espec?ficos de histopatologia, RetCCL e Phikon ViT-B. Al?m disso, considerando os resultados promissores que os
 modelos DINOv2 Small e Base t?m alcan?ado, foi realizado o fine-tuning, dando origem aos modelos DINOHist-S e DINOHist-B, para avaliar seu comportamento com imagens histopatol?gicas. Para avaliar o potencial dos modelos foram realizados amplos experimentos com sete bases de dados. Os resultados na tarefa de classifica??o de les?es demonstraram que, ao ajustar os modelos DINOv2 com poucas itera??es,
 pode-se igualar ou superar os extratores de ?ltima gera??o do dom?nio histopatol?gico. Para alguns cen?rios, os modelos avaliados alcan?aram efic?cia acima de 99% para m?ltiplas medidas. Al?m disso, observou-se que os modelos de estado da arte foram significativamente inferiores em bases de dados de les?es renais, enquanto o fine-tuning permitiu melhores resultados, mesmo para conjuntos de dados pequenos.
 Na tarefa de recupera??o de imagens por conte?do, os resultados demonstraram que
 o Phikon ViT-B superou os demais modelos em m?ltiplos n?veis de ranking, alcan?ando 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 exce??o das bases de les?es 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 dom?nios espec?ficos podem superar modelos especializados treinados em larga escala, demandando apenas uma fra??o dos recursos e do tempo de treinamento em compara??o a modelos de estado da arte. Para estender este trabalho, pesquisas futuras podem ser conduzidas, incluindo a
 avalia??o de novas arquiteturas, a utiliza??o de outros conjuntos de dados, a an?lise de diferentes estrat?gias de fine-tuning, entre outras.",
 	publisher = {Universidade Estadual de Feira de Santana},
 	scholl = {Programa de P?s-Gradua??o em Ci?ncia da Computa??o},
 	note = {DEPARTAMENTO DE CI?NCIAS EXATAS}
}