RESUMOO glaucoma é uma doença silenciosa que pode levar a cegueira caso não seja tratada com urgência. Métodos de diagnóstico que utilizam inteligên-cia computacional têm sido propostos com a finalidade de aumentar a taxa de detecções da doença ainda na sua fase inicial, e proporcionar melhor qualidade de vida aos pacientes. Porém, a descoberta de melhores técnicas e métodos de diagnóstico Palavras-chave: Diagnóstico Assistido por Computadores, Meta Aprendiza-gem, Otimização Bayesiana, Diagnóstico de Glaucoma, Extração de Carac-terísticas.

No abstract

RESUMOO glaucoma é uma doença ocular caracterizada por neuropatia óptica e distúrbio visual que corresponde á escavação no disco óptico e á degeneração das fibras nervosas ópticas. Geralmente é causado pelo aumento na pressão intra-ocular, que danifica o nervo óptico, resultando em perda gra-dual da visão. Um tratamento eficaz é a redução e controle da pressão intra-ocular (PIO) que deve acontecer o mais precocemente possível de modo a limitar a progressão da doença. Vários trabalhos tem sido propostos para a realização do diagnóstico automático de glaucoma. Assim, é vital o desenvolvimento de uma ferramenta

De acordo com a Organização Mundial de Saúde, anualmente são contabilizadas 8 milhões de mortes devido a doenças do trato gastrointestinal. A detecção automática das marcações anatômicas é uma tarefa que pode auxiliar profissionais da área da saúde, reduzindo custo e tempo em exames exploratórios. Sistemas de detecção e diagnóstico auxiliados por computador têm sido vastamente explorado no âmbito científico. No entanto é necessário muito poder de processamento para atingir resultados satisfatórios. Com o intuito de contornar esse problema, este trabalho utiliza uma Rede Neural Convolucional simples em conjunto da função de custo Triplet Loss para extrair características de imagens de 3 marcações anatômicas gastrointestinais (z-line, pylorus e cecum) para classificação dessas imagens. Para o treinamento é utilizada a base de dados Kvasir-v2, obtendo 96,60% de Precisão, 97,71% de Acurácia, 96,91% de Especificidade, 98,61% de Sensibilidade e um F1-score de 97,59%.