Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Alexei Manso Correa Machado has a total of 139 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Open Access

    A regularized variational autoencoder for interpretable texture classification

    by Leonardo Gomide, Hugo Oliveira, Jefersson Alex dos Santos, Alexei Manso Correa Machado

    This work proposes a regularized variational autoencoder for texture analysis composed of an encoder, a decoder, and a predictor module, with a triple loss function that simultaneously regulates the image encoding, its reconstruction from the latent space, and its classification. High-frequency information is concatenated to the input so as to mitigate the smoothing effect imposed by the decoding process based on Gaussian distribution sampling. The method presents high classification accuracy and generates more interpretable latent spaces. Experiments on the analysis of mammography multiclass density scale achieved accuracy levels that are superior to other published studies, besides resulting in latent variables that can be shown associated with classical texture descriptors. These findings suggest that the proposed regularized model provides a more separable latent representation and contributes to improving computer-assisted texture analysis.

  • Top Cited Papers
    Open Access

    Lithology Classification Based on Well Log Data: A Benchmark for Machine Learning Models

    by Henrique M. O. Carvalho, Henrique Daniel, André Korenchendler, Matheus C. A. Sobreira, Alexei M. C. Machado

    Lithology classification based on well log data has attracted the attention of geologists, as the extraction of rock samples from the wellbore is a costly process. Although some machine learning techniques have recently been applied to the problem, the existing studies are not standardized in terms of data processing and evaluation protocols. This paper aims to bridge this gap by providing common ground for the comparison of prospective works on lithology classification from well logs. The proposed benchmark is inspired by a thorough review of the literature, from which the main aspects of an experimental protocol are captured under the principles of simplicity, variety, impartiality, and meaningfulness. The public datasets used in the experiments are the FORCE and Geolink repositories. Ten methods are tested, including six deep learning models and four shallow machine learning algorithms, and compared by nine distinct performance metrics under cross-validation. Different sequence lengths are tested as input for deep learning models to assess their contextual understanding capabilities. The experimental results using the proposed setup show that context-insensitive models outperform most context-sensitive ones, but with high correlation. The study also reveals that the problem of lithology classification is still not solved. Therefore, the benchmark presented herein serves as a fair protocol to assess different methods and can be used by future works as a simple and unbiased way to compare new approaches in lithology classification.


  • Exploring brain metabolism and cognitive impairment in childhood-onset systemic lupus using fluorodeoxyglucose positron emission tomography

    by Flávia Patrícia Sena Teixeira Santos, Gilda Aparecida Ferreira, Alexei Manso Machado, Jonas Jardim de Paula, Kalline Cristina Prata De Souza, Lucas Teles de Carvalho Godoy Sampaio, Marcelo Mamede, Carlos Malamut, Humberto Correa

    Objectives: As biochemical and functional abnormalities often precede structural changes in disease, fluorine-18 fluorodeoxyglucose positron emission tomography (PET) may allow early detection of cerebral involvement in neuropsychiatric lupus. This study evaluated the correlation between cerebral glucose metabolism, assessed by fluorodeoxyglucose PET, and cognitive impairment in young adults with childhood-onset systemic lupus. Methods: Twenty-one patients with childhood-onset systemic lupus underwent clinical and neuropsychological assessment, followed by fluorodeoxyglucose PET brain imaging. Scans were compared with those of 22 healthy female controls. Images were non-rigidly registered to a standardized template, allowing voxel-wise analysis using adjusted t-tests. Associations between metabolism and cognitive performance were analysed using Pearson and Spearman correlation coefficients and Student’s t-tests. Results: Hypometabolism was observed in the cerebellum, parietal, occipital, limbic, and frontal lobes, while hypermetabolism was observed in the sublobar region, temporal lobe, and areas of the limbic and frontal lobes. Memory deficits correlated with hypermetabolism in the left hemisphere, Brodmann area 13; attention impairments with hypermetabolism in area 20 and hypometabolism in areas 7 and 18; and executive dysfunction with hypometabolism, particularly in the left hemisphere. Conclusions: Fluorodeoxyglucose PET may assist in identifying early functional brain abnormalities related to cognitive dysfunction in childhood-onset systemic lupus.

  • Open Access

    Unraveling spatial disparities in the multidimensional health of young Brazilian adults using the new smart K-means algorithm

    by Eduardo Henrique Souza Paraíso, Ludmila Bruna Santos Nascimento, Rafael Lara Mazoni Andrade, Daniel Cirino Martins, Petr Ekel, Alexei Manso Correa Machado, Paulo Braga Carvalho Carvalho, Hamidreza Rabiei-Dastjerdi, Cristiane Neri Nobre, Matheus Pereira Libório


  • Open Access

    Impacto do balanceamento e regularização na segmentação semântica de imagens histopatológicas

    by Eduardo Paraíso, Alexei Machado

    Este estudo investiga o impacto do balanceamento de classes e da regularização na melhoria da concordância de diagnósticos baseados em imagens histológicas. Modelos U-Net aplicados na análise de biópsias de câncer de próstata, por exemplo, mostram que o balanceamento de classes, combinado com funções de perda tradicionais, aumenta a concordância das imagens em até 6 pontos percentuais. A combinação de balanceamento com Focal Loss eleva o acordo de classificação em média 13 pontos percentuais, em comparação com o uso de datasets desbalanceados com funções de perda tradicionais. Um estudo de caso sobre a diferenciação entre os padrões Gleason 3 e 4 ilustra a utilidade das técnicas em decisões clínicas e no prognóstico de pacientes com câncer de próstata.

  • Open Access

    Aplicação de Técnicas de Aprendizado Profundo na Classificação da Retinopatia Diabética

    by Arthur Carneiro Kaizer, Alexei Manso Correa Machado

    A retinopatia diabética (DR) é uma condição degenerativa da retina causada pelo diabetes, sendo o diagnóstico precoce crucial para evitar a progressão da doença. No entanto, os métodos tradicionais de diagnóstico exigem a análise minuciosa das imagens por especialistas, tornando o processo demorado e subjetivo. Este estudo propõe um modelo de deep learning para a classificação de DR, baseado na análise de diferentes redes convolucionais e técnicas de processamento de imagens. Os resultados indicam que a combinação do pré-processamento utilizando CLAHE e a ResNet50 com o otimizador ADAMW alcançou o melhor desempenho, com uma acurácia de 0,83, ROC-AUC de 0,87 e coeficiente Kappa de 0,85.


  • Open Access

    Classificação de texturas em imagens médicas através de modelos generativos e aprendizado autossupervisionado

    by Leonardo C. Gomide, Alexei M. C. Machado

    Este trabalho propõe um Variational Autoencoder regularizado para análise de textura, composto por um encoder, um decoder e um módulo preditor, com uma função de perda tripla que regulariza simultaneamente a codificação da imagem, sua reconstrução e classificação. Experimentos na análise de densidade mamográfica alcançaram níveis de precisão superiores aos de outros estudos publicados, sugerindo que o modelo pode fornecer uma representação latente mais separável e contribuir para a melhoria da análise de textura.


  • Open Access

    Vision Transformers com Patches Dinâmicos para a Análise de Lâminas Histológicas

    by Vinícius Henrique Giovanini, Alexei Manso Correa Machado

    Este trabalho apresenta uma abordagem para aprimorar os Vision Transformers (ViT) por meio da implementação de captura de patches de maneira dinâmica. Foram conduzidos experimentos com diferentes tipos de modelos, realizando ajuste fino (fine-tuning) e explorando múltiplas estratégias para identificar as áreas mais relevantes na captura de patches. As modificações propostas foram comparadas ao modelo tradicional do ViT, aplicando-se essas abordagens ao conjunto de dados do Centro de Reconhecimento e Inspeção de Células (CRIC), composto por imagens de exames de Papanicolau. Os resultados demonstraram que o fine-tuning do modelo ViT-Small com extração de patches em Grid alcançou uma acurácia de 0,81. Em contrapartida, a melhor abordagem dinâmica obteve 0,78, devido à excessiva sobreposição dos patches.

  • Open Access

    Classificação de Doença Arterial Coronariana através de redes neurais profundas

    by Diogo Casal Ferreira, Alexei Manso Correa Machado

    As doenças arteriais coronarianas (DAC) figuram entre as principais causas de mortalidade no mundo, demandando avanços no diagnóstico precoce. Este estudo compara redes neurais LSTM, Bi-GRU e Transformer na classificação de eletrocardiogramas (ECG) em três categorias: normal, infarto inferior (IMI) e anterior (AMI), utilizando o conjunto de dados PTB-XL. Os resultados indicam que Transformers são mais rápidos no treinamento (média de 35 minutos), enquanto LSTM e Bi-GRU apresentam maior precisão (91% e 92%, respectivamente). O trabalho também contribui para a melhoria do préprocessamento e do treinamento de dados de ECG aplicados ao diagnóstico cardíaco.


  • Open Access

    Classificação de insuficiência cardíaca em ecocardiogramas utilizando Redes Neurais Profundas

    by Luiz Fernando Oliveira Maciel, Alexei Manso Correa Machado

    Este artigo apresenta um modelo de detecção de insuficiência cardíaca em ecocardiogramas baseado na arquitetura MobileNetv4, a partir do cálculo da fração de ejeção do ventrículo esquerdo (LVEF). O pipeline é composto de duas etapas: uma de regressão das coordenadas referentes ao volume ventricular, e outra de classificação, que calcula a LVEF a partir dos volumes encontrados. Experimentos baseados em validação cruzada com 5 divisões de treinamento e teste resultaram em um coeficiente de determinação R² de 0,83 ± 0,01 (IC 95%: [0,83 , 0,84]) e acurácia de 0,74 ± 0,01 (IC 95%: [0,74 , 0,75]).