De forma geral, as fases iniciais dos programas de melhoramento se caracterizam pelo tamanho populacional elevado e a natureza subjetiva da seleção. Por serem consideradas etapas de grande importância e de alto grau de complexidade, torna-se necessário a utilização de metodologias que, de forma eficiente, auxiliem os melhoristas a obterem resultados mais precisos, otimizando tempo e recursos para liberação de novas cultivares. Assim, este trabalho teve como objetivo avaliar o nível de ganho genético que um programa de melhoramento de cana-de-açúcar pode ter, adotando diferentes estratégias de seleção, em fases iniciais do melhoramento. Para tanto, dois experimentos referentes à primeira e à segunda fase de seleção do Programa de Melhoramento Genético da Cana-de-açúcar da RIDESA/UFSCar, foram instalados. Na primeira etapa, identificou-se o método de seleção entre e dentro de família (BLUPi, BLUPis e BLUPseq) com maior potencial a ser aplicado na população base do experimento, utilizando a abordagem de modelos mistos. Posteriormente, praticou-se seleção, incluindo o método massal e aleatória. Na segunda etapa, a população experimental foi constituída pelos clones previamente selecionados na etapa anterior, através das diferentes estratégias de seleção. Os valores genotípicos dos indivíduos foram preditos, e então, classificados de acordo com o caráter de interesse econômico. Na primeira etapa, dentre os métodos de seleção entre e dentro de família, o que apresentou maior ganho de seleção predito (12,7%), para toneladas de Pol por hectare (TPH), foi o procedimento BLUPseq. O método BLUPis apresentou alta correlação com o método de seleção via BLUPseq e se mostrou bastante eficiente, uma vez que, o número de indivíduos a serem selecionados em cada família é determinado de forma dinâmica, assim como a intensidade de seleção em cada repetição. Por outro lado, o método BLUPi apresentou-se impraticável, uma vez que as avaliações fenotípicas devem ser realizadas em nível de indivíduo, o que demanda muito tempo e mão de obra, além do que, identificou-se tendência em selecionar indivíduos das extremidades das parcelas. De acordo com os resultados obtidos no experimento - segunda etapa, devido a baixa variância genética (CVg ≤ 15) entre as famílias que constituíram a população base do experimento, o método de seleção de família via BLUPseq foi equivalente ao método de seleção massal. Por outro lado, se ênfase for dada na escolha de genitores em etapas de hibridação para a ampliação da base genética, o método de seleção de família pode ser recomendado. / Overall, the early stages of breeding programs are characterized by high population size and the subjective nature of the selection. Considered as a stage of great importance and with high degree of complexity, it becomes necessary to use methodologies that efficiently assist plant breeders to obtain more accurate results, optimizing time and resources for releasing new cultivars. Thus, the aim of this study was to evaluate the genetic gain level that a sugarcane breeding program may have, adopting different selection strategies at early breeding stages. Therefore, two experiments concerning the first and the second selection stages of the Sugarcane Breeding Program of RIDESA/UFSCar, were installed. In the first step, the method of selection between and within families (BLUPi, BLUPis and BLUPseq) with greatest potential to be applied into the population of the experiment were identified, through mixed models approach. Later, the selection was practiced including the mass and random selection methods. In the second stage, the experimental population consisted of clones previously selected in the previous stage through the different selection strategies. The genotypic values of individuals were predicted, and then classified according to the character of economic interest. In the first stage, from the selection methods between and within families, the BLUPseq procedure was the one with highest predicted selection gain (12.7 %) for tons of Pol per hectare (TPH). The BLUPis procedure showed high correlation with BLUPseq procedure and was quite efficient, since the number of individuals to be selected in each family is determined dynamically, as well as the selection intensity in each repetition. Moreover, the BLUPi method proved to be impracticable, since the phenotypic evaluations must be performed at the individual level, which requires long time and labor force, in addition to that, it was identified trend in selecting individuals from the plots edges. According to the results of the second stage experiment, due to low genetic variance (CVg ≤ 15) among the families which composed the experimental population base, the family selection via BLUPseq was equivalent to mass selection. On the other hand, if emphasis is given on the choice of parents in hybridization steps to broaden the genetic basis, the family selection method can be recommended.

Neste trabalho apresentamos alguns jogos topológicos e suas aplicações à análise. Com esse fim, se fornece condições necessárias para que funções aproximadamente contínuas se tornem contínuas, se caracteriza os conjuntos estritamente pseudo-completos nos espaços de Banach e, assim também, se constrói um espaço de diferenciabilidade Gâteaux que não é Asplund fraco. / In this work we present some topological games and their applications to analysis. For this purpose, necessary conditions are given for nearly continuous functions to become continuous, we characterize the strictly pseudo-complete sets in the Banach spaces and we also construct a Gâteaux differentiability space that is not weak Asplund.

O Teste Baseado em Modelos (TBM) emergiu como uma estratégia promissora para minimizar problemas relacionados à falta de tempo e recursos em teste de software e visa verificar se a implementação sob teste está em conformidade com sua especificação. Casos de teste são gerados automaticamente a partir de modelos comportamentais produzidos durante o ciclo de desenvolvimento de software. Entre as técnicas de modelagem existentes, Sistemas de Transição com Entrada/Saída (do inglês, Input/Output Transition Systems - IOTSs), são modelos amplamente utilizados no TBM por serem mais expressivos do que Máquinas de Estado Finito (MEFs). Apesar dos métodos existentes para geração de testes a partir de IOTSs, o problema da seleção de casos de testes é um tópico difícil e importante. Os métodos existentes para IOTS são não-determinísticos, ao contrário da teoria existente para MEFs, que fornece garantia de cobertura completa com base em um modelo de defeitos. Esta tese investiga a aplicação de modelos de defeitos em métodos determinísticos de geração de testes a partir de IOTSs. Foi proposto um método para geração de conjuntos de teste com base no método W para MEFs. O método gera conjuntos de teste de forma determinística além de satisfazer condições de suficiência de cobertura da especificação e de todos os defeitos do domínio de defeitos definido. Estudos empíricos avaliaram a aplicabilidade e eficácia do método proposto: resultados experimentais para analisar o custo de geração de conjuntos de teste utilizando IOTSs gerados aleatoriamente e um estudo de caso com especificações da indústria mostram a efetividade dos conjuntos gerados em relação ao método tradicional de Tretmans. / Model-Based Testing (MBT) has emerged as a promising strategy for the minimization of problems related to time and resource limitations in software testing and aims at checking whether the implementation under test is in compliance with its specification. Test cases are automatically generated from behavioral models produced during the software development life cycle. Among the existing modeling techniques, Input/Output Transition Systems (IOTSs) have been widely used in MBT because they are more expressive than Finite State Machines (FSMs). Despite the existence of test generation methods for IOTSs, the problem of selection of test cases is an important and difficult topic. The current methods for IOTSs are non-deterministic, in contrast to the existing theory for FSMs that provides complete fault coverage guarantee based on a fault model. This manuscript addresses the application of fault models to deterministic test generation methods from IOTSs. A method for the test suite generation based on W method for FSMs is proposed for IOTSs. It generates test suites in a deterministic way and also satisfies sufficient conditions of specification coverage and all faults in a given fault domain. Empirical studies evaluated its applicability and effectiveness. Experimental results for the analyses of the cost of test suite generation by random IOTSs and a case study with specifications from the industry show the effectiveness of the test suites generated in relation to the traditional method of Tretmans.

Las técnicas de estimación de canal y de adaptación de la transmisión a las condiciones del entorno son temas de interés actual al estudiar la aplicación de técnicas de diversidad en transmisión en la tercera y cuarta generación de sistemas inalámbricos. En esta tesis se realiza un análisis del impacto del error de estimación de canal y la correlación en sistemas OFDM con diversidad en transmisión basados en codificación espacio-tiempo por bloques (STBC), se proponen técnicas de estimación de canal para estos sistemas y se propone una técnica de adaptación de la transmisión mediante la selección de código espacio-tiempo. En primer lugar, una técnica sencilla de mínimos cuadrados en el dominio de la frecuencia permite la estimación de canal en sistemas con dos antenas y constelaciones complejas, y con tres o cuatro antenas y constelaciones reales o complejas, utilizando STBCs ortogonales como bloques de entrenamiento. En segundo lugar, una representación 'sobre-completa' permite hacer una estimación diferencial de canal para un sistema con tres antenas transmisoras mediante la selección a partir de un banco de posibles estimadores, basándose en la redundancia provista por la matriz de transmisión no cuadrada del código ortogonal esporádico de tasa 3/4 para tres antenas transmisoras.En el contexto de sistemas con adaptación del transmisor, la técnica propuesta de diversidad por selección adaptativa de código espacio-tiempo se basa en el estado instantáneo del vector de canal y en un conjunto de niveles umbrales hallados fuera de línea en función del período de realimentación. Los resultados indican que esta técnica proporciona buenas prestaciones en canales correlados e incorrelados. Su aplicación a sistemas OFDM ha sido estudiada, superando a técnicas de selección de antena y a otras técnicas de transmisión adaptativa. / Channel estimation and adaptive transmission techniques are areas of increasing interest these days when considering transmit diversity systems for the 3G and 4G wireless communication systems. In this thesis an analysis of the channel estimation and channel correlation impact on transmit diversity OFDM systems based on space-time block coding (STBC) is presented, two channel estimation techniques are outlined and an adaptive space-time code selection technique is proposed. First, a simple frequency domain least square technique allows channel estimation for two transmitter systems with complex constellation, and three or four transmitter systems with real or complex constellation, using orthogonal STBCs as training blocks. Second, an 'overcomplete' representation allows a di.erential channel estimation for three transmitter systems through the instantaneous selection from a bank of estimators, based on the redundacy provided by the non-square transmission matrix of the sporadic 3/4-rate STBC for three transmitters.In the context of transmit adaptive systems, the proposed adaptive space-time code selection technique is based on both the instantaneous channel vector state and a set of predetermined threshold levels found o.-line as a function of the feedback period. Analytical and simulation results show that the proposed technique has a good performance in the presence of correlated and uncorrelated channels. Its application to OFDM systems has been considered, outperforming classical antenna selection techniques and other closed-loop adaptive transmission techniques.

Neste trabalho apresentamos alguns jogos topológicos e suas aplicações à análise. Com esse fim, se fornece condições necessárias para que funções aproximadamente contínuas se tornem contínuas, se caracteriza os conjuntos estritamente pseudo-completos nos espaços de Banach e, assim também, se constrói um espaço de diferenciabilidade Gâteaux que não é Asplund fraco. / In this work we present some topological games and their applications to analysis. For this purpose, necessary conditions are given for nearly continuous functions to become continuous, we characterize the strictly pseudo-complete sets in the Banach spaces and we also construct a Gâteaux differentiability space that is not weak Asplund.

O Teste Baseado em Modelos (TBM) emergiu como uma estratégia promissora para minimizar problemas relacionados à falta de tempo e recursos em teste de software e visa verificar se a implementação sob teste está em conformidade com sua especificação. Casos de teste são gerados automaticamente a partir de modelos comportamentais produzidos durante o ciclo de desenvolvimento de software. Entre as técnicas de modelagem existentes, Sistemas de Transição com Entrada/Saída (do inglês, Input/Output Transition Systems - IOTSs), são modelos amplamente utilizados no TBM por serem mais expressivos do que Máquinas de Estado Finito (MEFs). Apesar dos métodos existentes para geração de testes a partir de IOTSs, o problema da seleção de casos de testes é um tópico difícil e importante. Os métodos existentes para IOTS são não-determinísticos, ao contrário da teoria existente para MEFs, que fornece garantia de cobertura completa com base em um modelo de defeitos. Esta tese investiga a aplicação de modelos de defeitos em métodos determinísticos de geração de testes a partir de IOTSs. Foi proposto um método para geração de conjuntos de teste com base no método W para MEFs. O método gera conjuntos de teste de forma determinística além de satisfazer condições de suficiência de cobertura da especificação e de todos os defeitos do domínio de defeitos definido. Estudos empíricos avaliaram a aplicabilidade e eficácia do método proposto: resultados experimentais para analisar o custo de geração de conjuntos de teste utilizando IOTSs gerados aleatoriamente e um estudo de caso com especificações da indústria mostram a efetividade dos conjuntos gerados em relação ao método tradicional de Tretmans. / Model-Based Testing (MBT) has emerged as a promising strategy for the minimization of problems related to time and resource limitations in software testing and aims at checking whether the implementation under test is in compliance with its specification. Test cases are automatically generated from behavioral models produced during the software development life cycle. Among the existing modeling techniques, Input/Output Transition Systems (IOTSs) have been widely used in MBT because they are more expressive than Finite State Machines (FSMs). Despite the existence of test generation methods for IOTSs, the problem of selection of test cases is an important and difficult topic. The current methods for IOTSs are non-deterministic, in contrast to the existing theory for FSMs that provides complete fault coverage guarantee based on a fault model. This manuscript addresses the application of fault models to deterministic test generation methods from IOTSs. A method for the test suite generation based on W method for FSMs is proposed for IOTSs. It generates test suites in a deterministic way and also satisfies sufficient conditions of specification coverage and all faults in a given fault domain. Empirical studies evaluated its applicability and effectiveness. Experimental results for the analyses of the cost of test suite generation by random IOTSs and a case study with specifications from the industry show the effectiveness of the test suites generated in relation to the traditional method of Tretmans.

Tesis por compendio / [ES] Según World Health Organization (WHO), el cáncer es una de las principales causas de muerte a nivel mundial, con cerca de 10 millones de fallecimientos en 2020. Esto significa que aproximadamente una de cada seis muertes es causada por el cáncer. Para prevenir y disminuir esta enorme cantidad de muertes, es necesario un diagnóstico preciso del cáncer. Las técnicas basadas en Deep Learning (DL) han ofrecido algunas técnicas en el Diagnóstico Asistido por Computadora (CAD) para ayudar a los médicos con su diagnóstico. Estas técnicas no solo disminuyen la carga de trabajo de los patólogos, sino que también aumentan la precisión de sus diagnósticos con menos costos. Las colecciones de imágenes de alta resolución, como las láminas histopatológicas y las exploraciones médicas, han mejorado el rendimiento de estas técnicas. En esta tesis, nos enfocamos principalmente en imágenes histopatológicas escaneadas por escáneres de Whole Slide Images (WSI). Estas imágenes se introducen en métodos basados en DL, que emplean Redes Neuronales Convolucionales (CNN) para detectar las anomalías y los patrones en el tejido escaneado. Estas técnicas son capaces de analizar el tejido para disminuir los impactos de los errores humanos en el diagnóstico del cáncer. Content-Based Medical Image Retrieval (CBMIR) es uno de estos métodos que recientemente ha captado la atención de los investigadores en patología digital. En esta tesis, proponemos tres marcos CBMIR sobre imágenes histopatológicas con dos técnicas basadas en DL que se presentan en diferentes escenarios. En cuanto a los obstáculos potenciales que un CBMIR en patología digital podría enfrentar, incluida la limitación de recursos de GPU, la falta de suficientes conjuntos de datos, y las estrictas regulaciones de privacidad de datos para el intercambio de datos. En relación con estas complejidades, nos enfocamos en el aprendizaje federado en la segunda clase de nuestra investigación. En esta sección, combinamos los conceptos de Federated Learning (FL) con un marco CBMIR para imitar un CBMIR Federado Mundial (FedCBMIR) en imágenes histológicas de cáncer de mama. En esta investigación, seguimos tres escenarios para imitar los tres casos de uso de FedCBMIR en el flujo de trabajo médico. En la última contribución de esta tesis, el enfoque principal es una estrategia basada en aprendizaje contrastivo. Proponemos un marco CBMIR que puede superar las técnicas anteriores con el top K (K>1) y también tener un alto rendimiento en la recuperación de imágenes en el top primero. Además, otra contribución de esta tesis es resolver los desafíos que los patólogos tienen al clasificar los Tumores Spitzoides de Potencial Maligno Incierto (STUMP). Los STUMP presentan un dilema diagnóstico debido a su intrincada histología, creando desafíos para establecer parámetros claros entre nevos benignos y melanomas potencialmente malignos. Para ayudar a los patólogos a enfrentar esta complejidad, el marco puede proporcionar parches similares al top K para ellos con sus etiquetas correspondientes. En resumen, los marcos CBMIR y CBHIR propuestos en esta tesis contribuyen al diagnóstico del cáncer de próstata, mama y piel a partir de imágenes histopatológicas mediante el uso de FEs basados en DL en diferentes escenarios. Estos no solo mejoran la precisión y la eficiencia del diagnóstico del cáncer, sino que también prometen facilitar la detección temprana y las estrategias de tratamiento personalizado. Aprovechar estos marcos en el diagnóstico actual del cáncer podría conducir en última instancia a mejores resultados para los pacientes, menores costos de atención médica y una mayor calidad de vida para las personas afectadas por el cáncer de próstata, mama y piel. Estos avances tienen el potencial de impulsar un cambio social positivo y contribuir a la lucha global contra el cáncer. / [CA] Segons l'Organització Mundial de la Salut (OMS), el càncer és una de les principals causes de mort a nivell mundial, amb prop de 10 milions de defuncions en 2020. Això significa que aproximadament una de cada sis morts és causada pel càncer. Per prevenir i disminuir aquesta enorme quantitat de morts, és necessari un diagnòstic precís del càncer. Les tècniques basades en Deep Learning (DL) han ofert algunes tècniques en el Diagnòstic Assistit per Ordinador (CAD) per ajudar els metges amb el seu diagnòstic. Aquestes tècniques no només disminueixen la càrrega de treball dels patòlegs, sinó que també augmenten la precisió dels seus diagnòstics amb menys costos. Les col·leccions d'imatges d'alta resolució, com les làmines histopatològiques i les exploracions mèdiques, han millorat el rendiment d'aquestes tècniques. En aquesta tesi, ens enfoquem principalment en imatges histopatològiques escanejades per escàners de Whole Slide Images (WSI). Aquestes imatges s'introdueixen en mètodes basats en DL, que empren Xarxes Neuronals Convolucionals (CNN) per detectar les anomalies i els patrons en el teixit escanejat. Aquestes tècniques són capaces d'analitzar el teixit per disminuir els impactes dels errors humans en el diagnòstic del càncer. El Content-Based Medical Image Retrieval (CBMIR) és un d'aquests mètodes que recentment ha captat l'atenció dels investigadors en patologia digital. En aquesta tesi, proposem tres marcs CBMIR sobre imatges histopatològiques amb dues tècniques basades en DL que es presenten en diferents escenaris. Pel que fa als obstacles potencials que un CBMIR en patologia digital podria afrontar, inclou la limitació de recursos de GPU, la manca de suficients conjunts de dades, i les estrictes regulacions de privadesa de dades per a l'intercanvi de dades. En relació amb aquestes complexitats, ens enfoquem en l'aprenentatge federat en la segona classe de la nostra investigació. En aquesta secció, combinem els conceptes de Federated Learning (FL) amb un marc CBMIR per imitar un CBMIR Federat Mundial (FedCBMIR) en imatges histològiques de càncer de mama. En aquesta investigació, seguim tres escenaris per imitar els tres casos d'ús de FedCBMIR en el flux de treball mèdic. En l'última contribució d'aquesta tesi, l'enfocament principal és una estratègia basada en aprenentatge contrastiu. Proposem un marc CBMIR que pot superar les tècniques anteriors amb el top K (K>1) i també tenir un alt rendiment en la recuperació d'imatges en el top primer. A més, una altra contribució d'aquesta tesi és resoldre els desafiaments que els patòlegs tenen a l'hora de classificar els Tumors Spitzoides de Potencial Maligne Incert (STUMP). Els STUMP presenten un dilema diagnòstic a causa de la seva intricada histologia, creant desafiaments per establir paràmetres clars entre nevus benignes i melanomes potencialment malignes. Per ajudar els patòlegs a enfrontar aquesta complexitat, el marc pot proporcionar parches similars al top K per a ells amb les seves etiquetes corresponents. En resum, els marcs CBMIR i CBHIR proposats en aquesta tesi contribueixen al diagnòstic del càncer de pròstata, mama i pell a partir d'imatges histopatològiques mitjançant l'ús de FEs basats en DL en diferents escenaris. Aquests no només milloren la precisió i l'eficiència del diagnòstic del càncer, sinó que també prometen facilitar la detecció primerenca i les estratègies de tractament personalitzat. Aprofitar aquests marcs en el diagnòstic actual del càncer podria conduir en última instància a millors resultats per als pacients, menors costos d'atenció mèdica i una major qualitat de vida per a les persones afectades pel càncer de pròstata, mama i pell. Aquests avenços tenen el potencial d'impulsar un canvi social positiu i contribuir a la lluita global contra el càncer. / [EN] According to the World Health Organization (WHO), cancer is one of the leading causes of death worldwide, with nearly 10 million deaths in 2020. This means that approximately one in six deaths is caused by cancer. To prevent and decrease this enormous number of deaths, an accurate cancer diagnosis is necessary. Deep Learning (DL)-based techniques have offered some methods in Computer-Aided Diagnosis (CAD) to assist doctors with their diagnoses. These techniques not only reduce the workload of pathologists but also increase the accuracy of their diagnoses at lower costs. Collections of high-resolution images, such as histopathological slides and medical scans, have improved the performance of these techniques. In this thesis, we focus mainly on histopathological images scanned by Whole Slide Image (WSI) scanners. These images are introduced into DL-based methods, which employ Convolutional Neural Networks (CNN) to detect anomalies and patterns in the scanned tissue. These techniques can analyze the tissue to reduce the impacts of human errors in cancer diagnosis. Content-Based Medical Image Retrieval (CBMIR) is one of these methods that has recently attracted the attention of researchers in digital pathology. In this thesis, we propose three CBMIR frameworks on histopathological images with two DL-based techniques presented in different scenarios. Regarding potential obstacles that a CBMIR in digital pathology might face, including the limitation of GPU resources, the lack of sufficient datasets, and strict data privacy regulations for data sharing. Considering these complexities, we focus on federated learning in the second part of our research. In this section, we combine the concepts of Federated Learning (FL) with a CBMIR framework to simulate a World-Wide Federated CBMIR (FedCBMIR) on histological images of breast cancer. In this research, we follow three scenarios to mimic the three use cases of FedCBMIR in the medical workflow. In the final contribution of this thesis, the main focus is a contrastive learning-based strategy. We propose a CBMIR framework that can surpass previous techniques with the top K (K>1) and also have high performance in retrieving images at the top first. Additionally, another contribution of this thesis is to solve the challenges that pathologists face in grading Spitzoid Tumors of Uncertain Malignant Potential (STUMP). STUMPs present a diagnostic dilemma due to their intricate histology, creating challenges for establishing clear parameters between benign nevi and potentially malignant melanomas. To assist pathologists in coping with this complexity, the framework can provide top K similar patches for them with their corresponding labels. In summary, the CBMIR and CBHIR frameworks proposed in this thesis contribute to the diagnosis of prostate, breast, and skin cancer from histopathological images using DL-based FEs in different scenarios. These not only improve the accuracy and efficiency of cancer diagnosis but also promise to facilitate early detection and personalized treatment strategies. Leveraging these frameworks in current cancer diagnosis could ultimately lead to better patient outcomes, lower healthcare costs, and a higher quality of life for individuals affected by prostate, breast, and skin cancer. These advances have the potential to drive positive social change and contribute to the global fight against cancer. / This study is funded by European Union’s Horizon 2020 research and innovation program under the Marie Skłodowska-Curie grant agreement No. 860627 (CLAR- IFY Project). The work of Adrián Colomer has been supported by the ValgrAI – Valencian Graduate School and Research Network for Artificial Intelligence & Gen- eralitat Valenciana and Universitat Politècnica de València (PAID-PD-22). / Tabatabaei, Z. (2024). Deep learning strategies for histological image retrieval [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/207119 / Compendio