Resumo:
O hemograma é um dos exames mais importantes e mais realizados no âmbito médico. Através dele é possível descobrir importantes alterações no organismo e geralmente é utilizado como um primeiro passo na avaliação da saúde dos pacientes. Embora seja uma prática comum, a realização dos exames é dificultada nos laboratórios por utilizar um maquinário de alto custo de compra e manutenção. Como alternativa a isso, este projeto desenvolve um modelo computacional de Deep Learning capaz de detectar
células automaticamente através de imagens de amostras de sangue. Através da utilização de bibliotecas de detecção de objetos, foi possível realizar o treinamento de um modelo voltado para essa problemática e capaz de detectar células em imagens com precisão satisfatória. Considerando a identificação de células em imagens de amostras de sangue nos melhores resultados obtidos, foi possível realizar a contagem das células brancas com 100% de acurácia, as vermelhas com 89% e das plaquetas com 96%, gerando subsídios para elaborar as partes principais de um hemograma. Os elementos voltados a classificação de diferentes tipos de células brancas não foram realizados devido à limitações do dataset utilizado. Porém,como apresentou bons resultados, a pesquisa pode ser expandida para futuros trabalhos que abordem esse problema.
