Redes neurais adversariais evolutivas aplicadas ao diagnóstico assistido por computador de retinopatia diabética

• Processo: 19/00585-5
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de agosto de 2019
• Data de Término da vigência: 31 de julho de 2022
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Acordo de Cooperação: Australian Technology Network of Universities (ATN)
• Proposta de Mobilidade: SPRINT - Projetos de pesquisa - Mobilidade
• Pesquisador responsável: João Paulo Papa
• Beneficiário: João Paulo Papa
• Pesquisador Responsável no exterior: Dinesh Kant Kumar
• Instituição Parceira 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
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Otimização Evolutiva | retinopatia diabetica | Aprendizado de Máquina

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)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

OLIVEIRA, GUILHERME C.; NGO, QUOC C.; PASSOS, LEANDRO A.; PAPA, JOAO P.; JODAS, DANILO S.; KUMAR, DINESH. Tabular data augmentation for video-based detection of hypomimia in Parkinson's disease. COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE, v. 240, p. 8-pg., 2023-10-01. (19/00585-5, 18/15597-6, 14/12236-1, 19/07665-4, 13/07375-0, 19/02205-5)