Desenvolvimento de modelos de aprendizado profundo para a detecção e reconhecimento eficientes da composição de células sanguíneas

Aplicação de inteligência artificial, especificamente através de técnicas de deep learning, na detecção e contagem de células sanguíneas. A proposta foca na superação das limitações dos métodos tradicionais, que demandam intensa intervenção humana e conhecimento especializado em morfologia celular. Superar restrições operacionais dos métodos convencionais por meio de soluções baseadas em aprendizado profundo. Empregar modelos avançados como YOLO (You Only Look Once) e RCNN (Region-based Convolutional Neural Networks), reconhecidos pela alta velocidade de processamento e precisão na análise de imagens. Utilizar o YOLO, com sua abordagem de detecção em uma única etapa, para identificação e localização eficiente de células, mesmo sob sobreposição, tratando simultaneamente localização e classificação como problema de regressão. Aplicar RCNN e suas variantes, como o Faster RCNN, que operam em dois estágios, propondo e refinando regiões para uma classificação precisa, especialmente úteis diante da complexidade morfológica das células sanguíneas. Aumento significativo na acurácia dos processos de detecção e contagem de células. Redução da carga de trabalho em ambientes laboratoriais, com análises mais rápidas e confiáveis, contribuindo diretamente para diagnósticos médicos mais eficientes. Proposta baseada nos modelos mencionados apresentou redução de 15% nas taxas de falso positivos e falso negativos.