Submitted by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2018-08-03T12:41:19Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação_Yadini P. Lopez.pdf: 3876547 bytes, checksum: b6ee2f55b965310100cf0116374ef994 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2018-08-03T12:41:35Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação_Yadini P. Lopez.pdf: 3876547 bytes, checksum: b6ee2f55b965310100cf0116374ef994 (MD5) / Made available in DSpace on 2018-08-03T12:41:36Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação_Yadini P. Lopez.pdf: 3876547 bytes, checksum: b6ee2f55b965310100cf0116374ef994 (MD5) Previous issue date: 2018-04-13 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Tuberculosis (TB) is a disease caused by a slow-growing bacterium named Mycobacterium tuberculosis (MT). Since 2000 has been included among the top 10 leading causes of death worldwide. In 2015, Brazil ranked eighteenth in TB incidence, representing 9% and 33% of the estimated cases worldwide and for the Americas respectively. Light field smear microscopy is the most commonly used exam in developing countries for diagnosis and follow-up of the disease. Since 2008, several researches have been developed focused on TB bacillus detection, aiming the automation of light field smear microscopy. These studies used datasets with different amounts of images, explored different color aspects of bacilli, and applied Digital Image Processing and / or Machine Learning techniques, and more recently, Deep Learning using Grayscale images. However, Deep Learning techniques have not been explored using a robust smear microscopy image dataset that reflect real conditions of smear microscopy exams. This work presents a method for automatic detection of TB bacillus using Convolutional Neural Networks (CNN) using a dataset of images taken from 2 patients in RGB, R-G and Grayscale color formats. To reach the proposed goal, a patch dataset containing bacilli (positive patches) and without bacilli (negative patches) was generated. This patch dataset was used for training three different RNC architectures. Then, Non-maximum Suppression (NMS) algorithm was applied using CNN models and complete smear images for bacillus detection. Best results in the patch classification stage were obtained using R-G and RGB images and two CNN models, achieving an accuracy of 99% in both cases. At final stage, Bacilli detection in full smear images, best results were achieved using RGB images reaching a Precision of 56,82%, Recall of 86,15% and F1-score of 68,47%. / A Tuberculose (TB) é uma doença causada por uma bactéria de crescimento lento, Mycobacterium tuberculosis (MT) e desde o ano 2000 tem sido incluída entre as dez causas principais de morte a nível mundial. No ano 2015 o Brasil ocupou a 18ª posição em incidência de tuberculose, representando 9% dos casos estimados no mundo, e 33% dos estimados para as Américas. O exame de baciloscopia de campo claro é o mais utilizado em países em desenvolvimento para o diagnóstico e acompanhamento da doença. Desde o ano de 2008 têm sido desenvolvidos trabalhos pela comunidade científica focados na detecção do bacilo da TB visando a automatização da baciloscopia de campo claro. Esses estudos utilizaram bases de dados com diferentes quantidades de imagens, exploraram aspectos de cor dos bacilos e aplicaram técnicas de Processamento Digital de Imagens e/ou Aprendizado de Máquina, e mais recentemente Aprendizado de Máquina Profundo. Entretanto, verificou-se que técnicas de Aprendizado de Máquina Profundo não têm sido exploradas utilizando bases de dados de imagens de baciloscopia robustas que refletem as condições reais dos exames de baciloscopia de campo claro. O presente trabalho visa o desenvolvimento de um método de detecção automática do bacilo da TB mediante a utilização de Redes Neurais Convolutivas (RNC), utilizando conjuntos de imagens baciloscópicas de 2 pacientes nos formatos de cor RGB, R-G e Escala de Cinza. Para atingir o objetivo proposto, foi gerada uma base de dados de patches contendo bacilos (positivos) e patches sem bacilos (negativos), os quais foram utilizados no treinamento de três arquiteturas diferentes de RNC. Posteriormente, foi aplicado o algoritmo Non-maximum Suppression utilizando imagens completas de baciloscopia para detectar cada bacilo. Os melhores resultados na etapa de classificação de patches foram obtidos utilizando as imagens de baciloscopia R-G e RGB e dois modelos RNC de duas e três camadas convolutivas, alcançando uma acurácia de 99%. Na etapa final de detecção dos bacilos nas imagens completas de baciloscopia os melhores resultados foram alcançados utilizando as imagens no formato RGB atingindo um Precision de 56,82%, um Recall de 86,15% e um F1-score de 68,47%.