Document details

Enquanto classe de c elulas constituinte do Sistema Nervoso Central, a microglia e respons avel pela sua manuten c~ao e defesa imunol ogica. Uma c elula desta classe pode ser encontrada em tr^es estados distintos (repouso, transi c~ao e ativo) sendo que o estado re ete o que est a a ocorrer no Sistema Nervoso Central; em particular, pode indiciar o in cio do desenvolvimento de uma doen ca neurodegenerativa. Nesta disserta c~ao, apresentamos o primeiro estudo para o reconhecimento autom atico do estado de c elulas microglia utilizando stacked denoising auto-encoders. Para obter o modelo de reconhecimento mais adequado, recorremos a diferentes estrat egias, nomeadamente, ao pr e-processamento de imagem, ao aumento arti cial do conjunto de dados (usando rota c~oes das imagens) e a resolu c~ao de sub problemas do problema original. Aplicamos tamb em transfer^encia de aprendizagem considerando cinco problemas fonte. Os resultados obtidos mostram que o estado de transi c~ao e o mais dif cil de reconhecer. Em termos de taxa de acertos, um desempenho de aproximadamente 64% e obtido.

As a class of cells composing the Central Nervous System, microglia is responsible for its maintenance and immunological defense. A cell of such class may be found in three distinct states (resting, transition and active) and the state re ects what is occurring on the Central Nervous System; particularly, it may indicate the beginning of the development of a neurodegenerative disease. In this dissertation, we present the rst study for the automatic recognition of microglial cells' state using stacked denoising auto-encoders. In order to obtain the most appropriate recognition model, we resort to di erent strategies, namely, to image pre-processing, to arti cial increase of the dataset (using image rotations) and to solving sub problems of the original problem. We also apply transfer learning considering ve source problems. The obtained results show that the transition state is the most hard to recognize. In terms of accuracy, a performance of approximately 64% is achieved.