Malaria under the microscope: interpretable deep learning for low-resource diagnostic support

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorMartins, Marcella Scoczynski Ribeiro-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-5716-4968-
Autor(es): dc.contributorhttps://lattes.cnpq.br/5212122361603572-
Autor(es): dc.contributorWiedemann, Philipp-
Autor(es): dc.contributorhttps://orcid.org/0009-0006-8895-8935-
Autor(es): dc.contributorhttps://orcid.org/0009-0006-8895-8935-
Autor(es): dc.contributorSantos, Gláucia Melo dos-
Autor(es): dc.contributorhttps://orcid.org/0000-0003-0092-2171-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4688497554271084-
Autor(es): dc.contributorSiqueira, Hugo Valadares-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-1278-4602-
Autor(es): dc.contributorhttps://lattes.cnpq.br/6904980376005290-
Autor(es): dc.contributorMartins, Marcella Scoczynski Ribeiro-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-5716-4968-
Autor(es): dc.contributorhttps://lattes.cnpq.br/5212122361603572-
Autor(es): dc.contributorSantos, Max Mauro Dias-
Autor(es): dc.contributorhttps://orcid.org/0000-0001-7877-3554-
Autor(es): dc.contributorhttps://lattes.cnpq.br/6212006974231025-
Autor(es): dc.contributorSantos, Paulo Victor dos-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-8267-7562-
Autor(es): dc.contributorhttp://lattes.cnpq.br/9100653716674793-
Autor(es): dc.creatorPremebida, Sthefanie Monica-
Data de aceite: dc.date.accessioned2026-08-11T10:57:15Z-
Data de disponibilização: dc.date.available2026-08-11T10:57:15Z-
Data de envio: dc.date.issued2026-03-31-
Data de envio: dc.date.issued2026-03-31-
Data de envio: dc.date.issued2025-12-04-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/39930-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1185543-
Descrição: dc.descriptionThis work investigates the use of deep learning models for the automated detection of malariainfected blood cells in microscopic images. Two deep learning architectures are evaluated: ResNet50, a widely used convolutional neural network, and Swin Transformer, a more recent model based on hierarchical attention mechanisms. The experimental process includes cross-validation with 5 folds and hyperparameter optimization using the Optuna framework, allowing comparison of the architectures in terms of sensitivity (recall), loss, robustness, and stability between folds. After optimization, Swin Transformer outperformed ResNet50, achieving an average recall close to 0.991. To make the models’ decisions more transparent and aid in clinical interpretation, this study incorporates explainability analysis (XAI) methods, including Grad-CAM, Integrated Gradients, and Occlusion. These methods allow identification of which cell regions contributed to the classification as infected or not. To integrate the entire pipeline - segmentation, classification, explainability, and export of results - the MUM-XAI (Malaria Under Microscope - Explainable AI) application was developed. The system allows for cell-by-cell analysis, visualization of segmentation masks, heat maps generated by XAI methods, and cells highlighted as infected, in addition to generating consolidated reports. Finally, the work discusses the challenge of generalizing the models to a new dataset obtained with a low-cost microscope and without Giemsa staining, highlighting avenues for future research and practical application in low-infrastructure scenarios.-
Descrição: dc.descriptionConselho Nacional do Desenvolvimento Científico e Tecnológico (CNPq)-
Descrição: dc.descriptionEste trabalho investiga o uso de modelos de aprendizado profundo para a detecção automatizada de células sanguíneas infectadas por malária em imagens microscópicas. São avaliadas duas arquiteturas de deep learning: o ResNet50, uma rede neural convolucional amplamente utilizada na literatura, e o Swin Transformer, um modelo mais recente baseado em mecanismos hierárquicos de atenção. O processo experimental inclui validação cruzada com 5 folds e otimização de hiperparâmetros utilizando o framework Optuna, permitindo comparar as arquiteturas em termos de sensibilidade (recall), perda (loss), robustez e estabilidade entre folds. Após a otimização, o Swin Transformer superou o ResNet50, alcançando média de recall próxima de 0,991. Com o objetivo de tornar as decisões dos modelos mais transparentes e auxiliar na interpretação clínica, este estudo incorpora métodos de explicabilidade (XAI), incluindo Grad-CAM, Integrated Gradients e Occlusion. Esses métodos permitem identificar quais regiões das células contribuíram para a classificação como infectada ou não. Para integrar todo o pipeline - segmentação, classificação, explicabilidade e exportação dos resultados - foi desenvolvido o aplicativo MUM-XAI (Malaria Under Microscope - Explainable AI). O sistema permite a análise célula a célula, a visualização das máscaras de segmentação, dos mapas de calor gerados pelos métodos XAI e das células destacadas como infectadas, além de gerar relatórios consolidados. Por fim, o trabalho discute o desafio de generalização dos modelos para um novo conjunto de dados obtido com microscópio de baixo custo e sem coloração de Giemsa, destacando caminhos para pesquisas futuras e aplicação prática em cenários de baixa infraestrutura.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languageen-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherPonta Grossa-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherPrograma de Pós-Graduação em Engenharia Elétrica-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttps://creativecommons.org/licenses/by-nc-sa/4.0-
Palavras-chave: dc.subjectMalária-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectImagens - Classificação-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectMalaria-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectPictures - Classification-
Palavras-chave: dc.subjectArtificial intelligence-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA-
Palavras-chave: dc.subjectEngenharia/Tecnologia/Gestão-
Título: dc.titleMalaria under the microscope: interpretable deep learning for low-resource diagnostic support-
Título: dc.titleMalária sob o microscópio: soluções em aprendizado profundo para diagnóstico acessível e transparente-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.