Pesquisa em Inteligência Artificial

IEEE Access · 2026 Acesso aberto

Addressing Data Imbalance in Medical Imaging: A Simulation Study Using Ensemble Transfer Learning for Skin Cancer Detection

Ricardo F. Rocha, Fernando H. A. Moraes Neto, Paulo H. Ferreira, Hellen O. Paz, Adriano K. Suzuki, Francisco Louzada et al. — IME/UFBA

Estudo de simulação que investiga o desbalanceamento de classes em bases de imagens médicas — um dos maiores obstáculos práticos ao treinar modelos confiáveis com dados clínicos escassos. Propõe e avalia estratégias de ensemble com transfer learning para detecção de câncer de pele em imagens dermatoscópicas, comparando o desempenho dos modelos sob diferentes níveis de desbalanceamento.

Ler na IEEE Xplore

Sigmae · v. 14, n. 4 · 2025 Acesso aberto

Ensemble of learning transfer models with GAN for data augmentation: Application to skin cancer detection

Fernando H. A. Moraes Neto, Adriano K. Suzuki, Francisco Louzada Neto, Ricardo Rocha, Hellen O. da Paz — USP e IME/UFBA

Combina modelos de transfer learning em ensemble, técnicas de reamostragem e aumento de dados com redes generativas adversariais (GANs) para classificar imagens dermatoscópicas de câncer de pele em uma base pequena e desbalanceada. Os resultados mostram que a reamostragem melhora a identificação da classe minoritária e que os dados sintéticos gerados por GAN elevam o desempenho dos modelos.

Ler artigo (PDF)

Revista de la Facultad de Ingeniería — Universidad de Atacama

Revista Ingeniería · UDA · 2024

Using Transfer Learning Model for Brain Tumor Detection

Fernando H. A. M. Neto, Ricardo F. Rocha, Paulo H. Ferreira, Rodney Fonseca, Edleide Brito, Alisson S. Silva, Michele M. Sacramento, Camila X. S. P. Pinheiro — IME/UFBA

Aplica redes neurais convolucionais e transfer learning (VGG-16 pré-treinada) para classificar imagens de ressonância magnética do cérebro quanto à presença de tumores. Com um pipeline de pré-processamento — recorte de bordas e equalização de histogramas — sobre uma base de 253 imagens (155 com tumor), o modelo atingiu 93,35% de acurácia, evidenciando o potencial da abordagem para apoiar diagnóstico por imagem.

Ler artigo (PDF)

Trabalho de Conclusão de Curso

TCC · IME/UFBA · 2025

Automação de Análises Estatísticas: Uma Arquitetura Multiagente Baseada em Grandes Modelos de Linguagem

Vinícius da Costa Soares — Orientador: Prof. Dr. Ricardo F. Rocha — IME/UFBA

Trabalho de Conclusão de Curso em Estatística que desenvolve um sistema automatizado de geração de relatórios estatísticos com agentes de IA baseados em LLMs. Numa arquitetura multiagente hierárquica — com componentes especializados em planejamento, geração e execução de código Python, redação técnica e avaliação de qualidade —, o sistema orquestra a análise de dados ponta a ponta, da pergunta do usuário até o relatório final compilado.

Ler TCC (PDF)

Tese de Doutorado

Tese de Doutorado · PIPGEs ICMC-USP/UFSCar · 2025

Aprimoramento da Detecção de Câncer em Bases de Imagens Limitadas: Uma Abordagem Baseada em Ensemble e Aumento de Dados

Fernando Humberto de Almeida Moraes Neto — Orientador: Prof. Dr. Adriano Kamimura Suzuki (ICMC-USP/UFSCar) — Coorientação: Prof. Dr. Ricardo F. Rocha (UFBA)

Tese de doutorado do Programa Interinstitucional de Pós-Graduação em Estatística que propõe uma abordagem baseada em ensemble de modelos de transferência de aprendizado para melhorar a predição de observações da classe minoritária em bases de imagens médicas pequenas e desbalanceadas. Combinando reamostragem e aumento de dados, o método é avaliado em dois cenários — classificação de mamografias (Hospital A.C. Camargo) e detecção de câncer de pele (base ISIC 2016) —, com resultados que mostram métricas superiores aos modelos individuais, especialmente em termos de F2-score.

Ler tese (PDF)

Dissertação de Mestrado

Dissertação de Mestrado · IME/UFBA · 2020

Combinação de Redes Neurais Convolucionais para Classificação de Imagens de Mamografias

Fernando Humberto de Almeida Moraes Neto — Orientador: Prof. Dr. Ricardo F. Rocha — IME/UFBA · Bolsa FAPESB

Dissertação de mestrado em Matemática (concentração em Estatística) que investiga a combinação, em ensemble, de redes neurais convolucionais pré-treinadas para a classificação de imagens de mamografia, comparando o desempenho da combinação de modelos ao de modelos individuais na tarefa de detecção de câncer de mama.

Participe do Laboratório

Tem uma ideia? Venha construir o futuro da IA.

O EniaLabs recebe estudantes de graduação e pós-graduação do IME e de outros cursos da UFBA interessados em pesquisa aplicada e engenharia de inteligência artificial. Não é preciso chegar com um projeto pronto: quem tem uma ideia para desenvolver, ou quer aprender participando de projetos reais ao lado da equipe, pode procurar o laboratório.

Quero fazer parte do EniaLabs