Aprendizado adversarial para o diagnóstico assistido de câncer por computador

• Processo: 19/06533-7
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de outubro de 2019
• Data de Término da vigência: 31 de dezembro de 2022
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Acordo de Cooperação: DAAD
• Proposta de Mobilidade: SPRINT - Projetos de pesquisa - Mobilidade
• Pesquisador responsável: João Paulo Papa
• Beneficiário: João Paulo Papa
• Pesquisador Responsável no exterior: Christoph Palm
• Instituição Parceira no exterior: Ostbayerische Technische Hochschule Regensburg (OTH Regensburg), Alemanha
• Instituição Sede: Faculdade de Ciências (FC). Universidade Estadual Paulista (UNESP). Campus de Bauru. Bauru , SP, Brasil
• Pesquisadores associados: Alexandre Xavier Falcão
• 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): Informática médica Diagnóstico por imagem Diagnóstico por computador Endoscopia do sistema digestório Gastroenteropatias Esôfago de Barrett Aprendizado computacional Reconhecimento de padrões Visão computacional
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Informática Médica | Reconhecimento de padrões

Resumo

Esôfago de Barrett's (BE) diz respeito a uma doença bastante severa e em crescimento nas últimas décadas. Caso esta não seja identificada apropriadamente em seu estágio inicial, pode evoluir para uma versão mais agressiva, inclusive câncer. Entretanto, o diagnóstico antecipado de tecidos displásticos em pacientes diagnosticados com BE resulta em altas taxas de remissão da doença após o tratamento. Nos últimos anos, técnicas de aprendizado em profundidade têm sido amplamente empregadas para extração automática de características, obtendo resultados promissores em diferentes aplicações de visão computacional e análise de imagens, incluindo imagens endoscópicas. Entretanto, um dos maiores problemas associados à redes neurais em profundidade é a tendência do supertreinamento na presença de dados desbalanceados. Redes Neurais Generativas Adversariais têm sido utilizadas em uma grande quantidade de aplicações no sentido de criar imagens sintéticas, principalmente no contexto de aplicações na área médica, mas não ainda para identificação automática de BE. Assim sendo, esta proposta objetiva fomentar a área de pesquisa de geração de dados sintéticos no contexto de imagens de endoscopia, e envolve alunos de doutorado, um pós-doutorando e pesquisadores de três universidades. (AU)