Ciência da Computação

URI Permanente para esta coleçãohttps://repositorio.unifal-mg.edu.br/handle/123456789/2606

Navegar

Navegando Ciência da Computação por Assunto "Citogenética"

Filtrar resultados informando as primeiras letras
Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    ItemAcesso aberto (Open Access)
    Automação da análise de células vegetais: um pipeline híbrido baseado em cellpose e efficientnet
    (2025-12-10) Fernandes, Gabriel Thiago; Camilo, Gustavo Fidelis; Silva, Luiz Eduardo da; Souza, Mariane Moreira de; Cunha Neto, Antônio Rodrigues da
    A análise citogenética de células vegetais é uma etapa fundamental em estudos de toxicologia ambiental, genética e fisiologia vegetal. Entretanto, o processo tradicional de identificação das fases mitóticas em lâminas citológicas é manual, demorado e sujeito a variabilidade entre observadores. Este trabalho propõe um pipeline automatizado para segmentação e classificação de células em diferentes fases da divisão celular, integrando duas abordagens de aprendizado profundo: o modelo Cellpose para segmentação e a arquitetura EfficientNet para classificação citológica. O dataset utilizado foi composto por 656 imagens microscópicas contendo células de Allium cepa e Lactuca sativa, das quais foram extraídos originalmente 993 recortes de células, sendo 442 em interfase e as demais distribuídas entre as fases mitóticas, conjunto este que foi posteriormente ampliado usando a técnica de data augmentation para o treinamento. O ajuste fino do modelo Cellpose foi realizado com 100 imagens por meio do Cellpose GUI, que permite treinar modelos customizados de forma interativa, enquanto o classificador foi treinado sobre imagens individuais recortadas a partir dos bounding boxes obtidos do dataset original. Além disso, desenvolveu-se uma aplicação web com backend em Python e frontend em React, permitindo ao usuário carregar múltiplas imagens, revisar classificações e obter automaticamente o índice mitótico. Os resultados demonstram que o pipeline é capaz de identificar e classificar células com uma eficiência satisfatória, atingindo uma precisão média de 87% na segmentação e acurácia global de 89% na classificação, reduzindo significativamente o tempo necessário para análise citogenética laboratorial. O sistema desenvolvido representa um avanço no apoio à automação de análises microscópicas e estabelece uma base para a construção de um dataset próprio e melhorias futuras.