[QUALIFICAÇÃO DE DOUTORADO] Redes Neurais Fractais: uma nova associação entre geometria fractal e aprendizado profundo para classificação de imagens histológicas

Nome do Aluno: 
Local: 
Por videoconferência
Data de Defesa: 
06/10/2020 - 13:30
Banca examinadora: 
Prof. Dr. Marcelo Zanchetta do Nascimento - FACOM/UFU (Orientador)
Prof. Dr. Leandro Alves Neves - UNESP (Coorientador)
Prof(a). Dr(a). Maria Camila Nardini Barioni - FACOM/UFU
Prof. Dr. João Paulo Papa - UNESP

A classificação de imagens histológicas é um problema amplamente explorado em pesquisas recentes sobre visão computacional. A abordagem mais estudada para esse problema tem sido a aplicação de aprendizado profundo por meio de modelos de CNN. No entanto, o uso de CNN no contexto da classificação de imagens histológicas ainda apresenta algumas limitações, como a necessidade de grandes conjuntos de dados e a dificuldade na implementação de um modelo generalizado capaz de classificar diferentes tipos de tecidos histológicos. Neste projeto, é proposto um modelo baseado em atributos fractais e aprendizado profundo que consiste na combinação da classificação de duas CNN pela aplicação da regra da soma. A extração de atributos é aplicada para a obtenção de 300 atributos fractais de diferentes conjuntos de imagens histológicas. Esses atributos são remodelados em uma matriz 10 × 10 × 3 para compor uma imagem sintética que é fornecida como entrada para a primeira CNN. A segunda CNN recebe como entrada a imagem original correspondente. Após combinar os resultados de ambas as CNN, foram obtidas acurácias que variam de 89,66% a 99,62% em cinco conjuntos de dados diferentes. Além disso, o modelo foi capaz de classificar imagens de conjuntos de dados com classes desbalanceadas sem a necessidade de que as imagens tenham a mesma resolução e em um tempo de treinamento relativamente rápido. Também foi verificado que os resultados obtidos são compatíveis com os estudos mais recentes e relevantes publicados recentemente no contexto da classificação de imagens histológicas.