A identificação automática do melanoma em imagens dermatoscópicas ainda é um problema de difícil solução. Nesse contexto, esse trabalho propõe uma abordagem de classificação dessas imagens, utilizando Aprendizado Profundo com Redes Neurais Convolucionais. As arquiteturas Alexnet e VGG-F foram treinadas com imagens dermatoscópicas, em seguida, utilizadas como modelo para descrição de características, através dasúltimas camadas totalmente conectadas. A classificação dos dados extráıdos foi realizada por alguns algoritmos tradicionais. No melhor resultado da abordagem, o classificados K-Vizinhos mais Próximos atingiu uma acurácia de 91,5%, com índice kappa igual a 0,83, recall e precisão maiores que 0,9.

Este artigo expõe a implementação em hardware de um método de reamostragem dinâmica em tempo real, o qual contém uma etapa para estimação de frequência, um algoritmo para obtenção da forma de onda via interpolação de Lagrange aplicada à estrutura Farrow, e um algoritmo para realizar a Transformada Discreta de Fourier -- (DFT). O primeiro parâmetro estimado pelo algoritmo a partir da obtenção de amostras consecutivas é a frequência, cujo resultado é utilizado para alimentar o algoritmo subsequente, que se trata da interpolação do sinal. Por fim, a transformada discreta de Fourier de janela deslizante (SWDFT) é aplicada ao sinal interpolado com ajuste do número de amostras por ciclo de forma coerente.  Além disso, o artigo exibe os resultados obtidos na implementação do método em um microcontrolador, no qual o algoritmo foi submetido a um sinal permeado com composição harmônica e variação de frequência.

No abstract

No abstract

A inteligência artificial, mais especificadamente, os algoritmos de aprendizagem profundo e técnicas da teoria de conjuntos Fuzzy tem sido propostos em análises de imagens. Deste modo, as aplicações de aprendizado profundo em imagens médicas pulmonares, tem obtido avanços para detecção de doenças, levando a ensaios clínicos promissores no que diz respeito à triagem e diagnóstico de pacientes com o Covid-19. Assim, imagens de Tomografia Computadorizada (TC), Radiografia Computadoriza (RC) e Ultrassonografia tem sido usadas por especialistas como ferramentas para diagnóstico da Covid-19. No entanto, devido ao número elevado de pacientes e baixa quantidade de profissionais especializados torna-se necessário um sistema de detecção por imagens para auxílio aos profissionais da saúde. Neste cenário, a inteligência computacional, mas especialmente modelos de Aprendizado Profundo do tipo Convolutional Neural Network (CNN) e métodos de classificação não-supervisionados, entre estes em destaque o método K-Means e Fuzzy C-Means, foram utilizados para a classificação de imagens de Covid-19. Para esta finalidade, foi utilizada uma base de dados disponibilizada pela Universidade de São Paulo, contendo 4173 imagens. Os resultados demonstraram a importância da seleção de características através de redes convolucionais. Na aprendizagem não-supervisionada observou-se poucas diferenças para a clusterização utilizando os métodos k-Means e Fuzzy C-Means.