DCCMAPI/CCET

Uma banca de PROPOSTA DE TESE/DISSERTAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE: MAILA LIMA CLARO
DATA: 25/03/2022
HORA: 13:00
LOCAL: Sala Virtual do Google Meet
TÍTULO: Classificação de Leucemias utilizando aumento de dados, transferencia de aprendizado e combinação de CNNs
PALAVRAS-CHAVES: Classificação de imagens; Aprendizado profundo; Comitê; Leucemia; Multilevel
PÁGINAS: 69
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
RESUMO: O diagnóstico em estágio inicial seguro e preciso da leucemia desempenha um papel fundamental na cura dos pacientes. As formas primárias de leucemia são aguda e crônica, que se subdividem em mieloide e linfoide. A leucemia aguda é um tipo particular de leucemia que causa crescimento celular anormal em um curto período, exigindo um início rápido do tratamento. Modelos de aprendizagem profunda têm sido cada vez mais utilizados em sistemas de diagnóstico médico auxiliados por computador desenvolvidos para detectar leucemia. Neste trabalho, realizamos dois experimentos, onde inicialmente desenvolvemos arquiteturas de redes neurais convolucionais (CNNs) capazes de diferenciar os tipos de leucemia aguda e imagens saudáveis, além disso utilizamos a técnica comitê visando a melhoria dos resultados em 3.293 imagens de lâminas de sangue. Para o segundo experimento avaliamos o impacto do uso de técnicas que vem sendo amplamente aplicadas na literatura, principalmente, configurações de aumento de dados, multilevel e comitê, em sistemas baseados em aprendizado profundo. Esta avaliação incluiu cinco cenários: três problemas de classificação binária e dois problemas de classificação multiclasse. A avaliação foi realizada em 3.536 imagens de 18 conjuntos de dados, e foi possível concluir que as técnicas de aumento de dados melhoram o desempenho das CNNs. Além disso, há uma melhora nos resultados da classificação utilizando uma combinação de CNNs. Para os problemas binários, o desempenho da configuração do comitê foi superior ao multilevel. No entanto, os resultados foram estatisticamente semelhantes em cenários multiclasse. Os resultados dos dois experimentos foram promissores, com 96,17% de acurácia para a classificação de leucemia aguda e com 94,73% e 94,59% de acertos obtidos pelo multilevel e comitê em um cenário com quatro classes, respectivamente. A combinação de métodos ajuda a reduzir o erro ou variância nas previsões, o que por sua vez, melhora a precisão do modelo.
MEMBROS DA BANCA:
Presidente - 641.754.563-68 - RODRIGO DE MELO SOUZA VERAS
Interno - 2582240 - GERALDO BRAZ JUNIOR
Interno - 579.300.403-30 - KELSON RÔMULO TEIXEIRA AIRES
Externo à Instituição - FÁTIMA NELSIZEUMA SOMBRA DE MEDEIROS - UFC
Externo à Instituição - JOÃO MANUEL RIBEIRO DA SILVA TAVARES - FEUP
Co-orientador - 628.763.923-72 - ANDRE MACEDO SANTANA