DCCMAPI/CCET

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: MAILA LIMA CLARO
DATA: 11/11/2022
HORA: 13:00
LOCAL: Sala de Vídeo Conferência do PPGCC - UFPI
TÍTULO: Classificação de Leucemias Utilizando Aumento de Dados, Transferência de Aprendizado e Combinação de CNNs
PALAVRAS-CHAVES: Classificação de imagens; Aprendizado profundo; Comitê; Leucemia; Multilevel
PÁGINAS: 85
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
RESUMO: O diagnóstico precoce da leucemia, aumenta significativamente as chances de cura dos pacientes. Mas para isto é preciso ter ciência de qual forma primária o paciente é portador, uma vez que pode se manifestar de duas formas: aguda e crônica, estas ainda se subdividem em mieloide e linfoide. Um aliado nestes diagnósticos são os modelos de aprendizagem profunda, que têm sido cada vez mais utilizados em sistemas de diagnóstico médico auxiliados por computadores. Neste trabalho focamos no problema de classificação de imagens de leucemia em duas frentes. Inicialmente nos concentramos na identificação das formas agudas da doença, que é um tipo particular de leucemia, onde causa crescimento celular anormal em um curto período de tempo, o que requer um diagnóstico preciso e rápido, para aumentar as chances do tratamento ser bem sucedido. Assim, este estudo propôs uma rede neural convolucional (Convolutional Neural Network - CNN) denominada Acute Leukemias Recognition Network (AlertNet) que foi inspirada em blocos convolucionais da rede Vgg16, mas com camadas densas menores. Durante a coleta de dados para a proposta da AlertNet, obtivemos acesso a um total de 3.536 imagens com exemplos de imagens saudáveis e com Acute Lymphoblastic Leukemia (ALL), Acute Myeloid Leukemia (AML) e outros tipos de leucemia. Dessa forma, a segunda frente foca em outros tipos de classificação de leucemia, e para isso decidimos avaliar, além da rede AlertNet e suas variações, o uso de CNNs pré-treinadas e o impacto do aumento de dados e combinações de CNNs em cinco cenários de classificações de leucemia: três problemas de classificação binária e dois problemas de classificação multiclasse. Para avaliar a capacidade de generalização das CNNs, aplicamos uma técnica de validação cruzada no conjunto de dados. Os resultados dos 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. Estes métodos de combinação apresentaram uma melhora no desempenho das redes, que contribuíram para 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