| Processo: | 19/00585-5 |
| Linha de fomento: | Auxílio à Pesquisa - Regular |
| Vigência: | 01 de agosto de 2019 - 31 de julho de 2021 |
| Área do conhecimento: | Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação |
| Convênio/Acordo: | Australian Technology Network of Universities (ATN) |
| Proposta de Mobilidade: | SPRINT - Projetos de pesquisa - Mobilidade |
| Pesquisador responsável: | João Paulo Papa |
| Beneficiário: | João Paulo Papa |
| Pesq. responsável no exterior: | Dinesh Kant Kumar |
| Instituição no exterior: | RMIT University, Melbourne, Austrália |
| Instituição-sede: | Faculdade de Ciências (FC). Universidade Estadual Paulista (UNESP). Campus de Bauru. Bauru , SP, Brasil |
| Vinculado ao auxílio: | 14/12236-1 - AnImaLS: Anotação de Imagem em Larga Escala: o que máquinas e especialistas podem aprender interagindo?, AP.TEM |
| Assunto(s): | Retinopatia diabética Eletrorretinografia Diagnóstico precoce Aprendizado computacional Redes adversárias generativas |
Resumo
Retinopatia diabética (RD) não diagnosticada pode levar à problemas na visão e cegueira, e a sua detecção precoce pode reduzir problemas severos na visão em torno de 50%. A presença de exudatos em imagens de retina é um dos primeiros sinais da doença, mas sua detecção manual é dependente da experiência do profissional e demanda bastante tempo. Nesta proposta, objetivamos lidar com o problema da falta de dados com respeito ao diagnóstico assistido de RD por meio da geração sintética de imagens de retina usando Redes Generativas Adversariais (RGA). A proposta introduz o conceito de RGAs Evolutivas, em que otimização evolucionista será utilizada tanto para ajustar os hiperparâmetros do modelo quanto para a criação de funções de custo compostas. O time Brasileiro ficara responsável pelo conhecimento na área de aprendizado de máquina, enquanto que o time Australiano cuidará da geração dos dados e possui o conhecimento técnico do problema em questão. (AU)