IDENTIFICAÇÃO DO ORIENTADOR
Nome: João Janeiro, Cátia Marques
E-mail: formacao@s2aquacolab.pt
DESCRIÇÃO SUMÁRIA DA PROPOSTA DE TRABALHO
Título provisório: Desenvolvimento de um algoritmo de aprendizagem automática para a deteção automatizada de células do sangue específicas de peixes
Objetivo geral: Esta tese tem como objetivo desenvolver um algoritmo de aprendizagem automática, concebido para detetar e classificar automaticamente tipos específicos de células do sangue em amostras digitalizadas de sangue de peixes. O projeto envolverá o processamento e a análise de imagens microscópicas de alta resolução utilizando técnicas avançadas de processamento de imagem e modelos de aprendizagem automática. O desenvolvimento bem-sucedido deste algoritmo poderá melhorar significativamente a investigação biológica e o diagnóstico em ictiologia, proporcionando uma alternativa mais rápida e mais exata à análise microscópica manual.
Objetivos:
1. Reunir um conjunto de dados de amostras digitalizadas de sangue de peixe, anotadas com dados biológicos especializados sobre os tipos e características das células.
2. Conceber e implementar um modelo de aprendizagem automática capaz de reconhecer e classificar vários tipos de células de sangue de peixes.
3. Avaliar a precisão e eficiência do algoritmo em relação a um conjunto de imagens de teste não vistas anteriormente, garantindo robustez e a fiabilidade.
4. Desenvolver uma interface de fácil utilização que permita aos biólogos e investigadores introduzir facilmente novas imagens e receber uma análise detalhada das células.
5. Contribuir para o conhecimento em processamento digital de imagens na investigação biológica através da publicação de um artigo de investigação.
Tarefas previstas:
1. Efetuar uma revisão pormenorizada das técnicas existente no domínio do processamento de imagens e das aplicações de aprendizagem automática na imagiologia biológica.
2. Pré-processar imagens para melhorar as características relevantes para a análise de aprendizagem automática, incluindo segmentação e normalização.
3. Experimentar vários modelos de aprendizagem automática (por exemplo, CNNs, SVMs) para determinar a abordagem mais eficaz para a deteção e classificação de células.
4. Treinar o modelo utilizando o conjunto de dados preparado, efetuar o ajuste dos hiperparâmetros e a validação cruzada para otimizar o desempenho.
5. Utilizar métricas como a exatidão, a precisão, a recuperação e a pontuação F1 para avaliar o modelo nos dados de teste.
6. Desenvolver e testar um interface gráfico do utilizador (GUI) quer permita aos utilizadores interagir com o modelo sem problemas.
7. Preparação do artigo: documentar o processo de investigação, a arquitetura do modelo e os resultados da avaliação. Preparar um documento de investigação que constituirá a tese de mestrado.