@MASTERSTHESIS{ 2025:500605029,
 	title = {Uso de Few-shot Learning para lidar com o desbalanceamento severo de dados na classifica??o de les?es glomerulares},
 	year = {2025},
 	url = "http://tede2.uefs.br:8080/handle/tede/1929",
 	abstract = "No contexto da nefropatologia, a classifica??o autom?tica de imagens de bi?psias renais ? essencial para apoiar o diagn?stico e tratamento de pacientes. T?cnicas de Machine Learning (ML), especialmente aquelas baseadas em redes neurais convolucionais (Convolutional Neural Networks ? CNN), t?m permitido a automatiza??o dessa tarefa, oferecendo ganhos operacionais. No entanto, essas t?cnicas geralmente
 requerem grandes volumes de dados balanceados para alcan?ar bom desempenho, sendo negativamente afetadas em cen?rios com escassez de dados e desbalanceamento de classes ? uma condi??o comum na classifica??o de les?es renais raras. Este trabalho apresenta um estudo aplicado de abordagens para lidar com o desbalanceamento de classes, incluindo o uso de t?cnicas consolidadas na literatura e
 a aplica??o do aprendizado com poucas amostras (Few-Shot Learning ? FSL). Os resultados demonstram que ? poss?vel atingir desempenho superior a 85% de F1- score em diferentes cen?rios de desbalanceamento, encontrados para as les?es aqui analisadas, chegando a n?meros superiores a 90% mesmo com taxas de desbalanceamento da ordem de ? 1:30. No entanto, os experimentos realizados neste estudo evidenciaram que o desbalanceamento de dados, considerado isoladamente, n?o ? o ?nico fator relevante no desempenho final dos modelos de ML.",
 	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}
}