Introduzindo elementos de geometria fractal em redes convolucionais profundas: uma aplicação ao reconhecimento e categorização do Câncer de Pulmão

• Processo: 20/01984-8
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de setembro de 2020
• Data de Término da vigência: 31 de agosto de 2022
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Matemática da Computação
• Pesquisador responsável: Joao Batista Florindo
• Beneficiário: Joao Batista Florindo
• Instituição Sede: Instituto de Matemática, Estatística e Computação Científica (IMECC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Pesquisadores associados: Estevão Esmi Laureano ; Gabriel Landini ; Gwanggil Jeon ; Konradin Metze ; Kyungkoo Jun ; Odemir Martinez Bruno ; Peter Sussner
• Assunto(s): Visão computacional Computação em informática médica Análise de imagens Diagnóstico por imagem Redes neurais (computação) Aprendizagem profunda Neoplasias pulmonares
• Palavra(s)-Chave do Pesquisador: Análise de imagens | Geometria Fractal | Imagens Médicas | Redes Neurais Profundas | Visão Computacional Aplicada à Área Médica

Resumo

Este projeto propõe o estudo e desenvolvimento de uma metodologia computacional para análise de imagens introduzindo elementos da teoria fractal em redes neurais convolucionais profundas. Embora estas redes tenham se tornado onipresentes na visão computacional como um todo, e em particular na análise de imagens médicas, teorias clássicas como a geometria fractal podem ainda ser bastante úteis, entre outros motivos, por permitirem uma modelagem com interpretação mais direta e não dependerem de tantos dados para treinamento. Neste contexto, propõe-se que conceitos teóricos e técnicas da geometria fractal sejam introduzidos ao pipeline de uma rede neural convolucional. O processo se dá em três perspectivas: na entrada, na saída e na arquitetura da rede. Na entrada, uma transformação multifractal é aplicada à imagem original. Na saída, a dimensão fractal e/ou o espectro multifractal dos mapas de características de camadas convolucionais da rede serão calculados. Ambas as soluções serão implementadas diretamente nas camadas da rede, por meio de convoluções e outros operadores. Já na arquitetura, serão usados fluxos de informação auto-similares que podem substituir as arquiteturas residuais clássicas. A metodologia desenvolvida será aplicada a um problema na área médica, que é a identificação e categorização de sub-tipos de câncer de pulmão a partir de imagens de microscopia, tanto histológicas quando citológicas. Espera-se que os resultados obtidos representem avanços importantes, tanto teóricos quanto práticos. Em termos teóricos, a proposta visa investigar a possibilidade de aprimoramentos em algoritmos de aprendizado automático para classificação de imagens, tanto na acurácia da classificação em si, como na menor sensibilidade a uma quantidade menor de dados para treinamento. Já em termos práticos, são esperadas implicações úteis para a sociedade, por meio de uma melhor compreensão de processos carcinogênicos e fomentando assim possibilidades tanto de um diagnóstico mais precoce quanto de um tratamento mais eficaz, melhorando a qualidade e a expectativa de vida do paciente. (AU)

Publicações científicas

(8)

(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)

FLORINDO, JOAO BATISTA; FARINELLA, GM; RADEVA, P; BOUATOUCH, K. Wavelet Transform for the Analysis of Convolutional Neural Networks in Texture Recognition. PROCEEDINGS OF THE 17TH INTERNATIONAL JOINT CONFERENCE ON COMPUTER VISION, IMAGING AND COMPUTER GRAPHICS THEORY AND APPLICATIONS (VISAPP), VOL 4, v. N/A, p. 8-pg., 2022-01-01. (20/01984-8)

METZE, KONRADIN; MORANDIN-REIS, ROSANA C.; LORAND-METZE, IRENE; FLORINDO, JOAO B.. The Amount of Errors in ChatGPT's Responses is Indirectly Correlated with the Number of Publications Related to the Topic Under Investigation. ANNALS OF BIOMEDICAL ENGINEERING, v. 51, n. 7, p. 2-pg., 2023-04-15. (20/01984-8)

FLORINDO, JOAO; BRUNO, ODEMIR MARTINEZ; IEEE. Using fractal interpolation over complex network modeling of deep texture representation. 2022 ELEVENTH INTERNATIONAL CONFERENCE ON IMAGE PROCESSING THEORY, TOOLS AND APPLICATIONS (IPTA), v. N/A, p. 5-pg., 2022-01-01. (20/01984-8)

FLORINDO, JOAO B.; ABREU, EDUARDO. A pseudo-parabolic diffusion model to enhance deep neural texture features. MULTIMEDIA TOOLS AND APPLICATIONS, v. N/A, p. 22-pg., 2023-06-29. (20/01984-8, 20/09838-0)

DE SA, LUIZ ALBERTO PEREIRA; ZIELINSKI, KALLIL M. C.; RODRIGUES, ERICK OLIVEIRA; BACKES, ANDRE R.; FLORINDO, JOAO B.; CASANOVA, DALCIMAR. A novel approach to estimated Boulingand-Minkowski fractal dimension from complex networks. CHAOS SOLITONS & FRACTALS, v. 157, p. 10-pg., 2022-04-01. (20/01984-8)

FLORINDO, JOAO; METZE, KONRADIN. Using Non-Additive Entropy to Enhance Convolutional Neural Features for Texture Recognition. Entropy, v. 23, n. 10, OCT 2021. (20/01984-8, 20/09838-0)

DE MATTOS, AMILCAR CASTRO; FLORINDO, JOAO BATISTA; ADAM, RANDALL L.; LORAND-METZE, IRENE; METZE, KONRADIN. The Fractal Dimension Suggests Two Chromatin Configurations in Small Cell Neuroendocrine Lung Cancer and Is an Independent Unfavorable Prognostic Factor for Overall Survival. Microscopy and Microanalysis, v. 28, n. 2, p. 5-pg., 2022-02-23. (20/01984-8, 20/09838-0)

ROCHA, MARINA M. M.; LANDINI, GABRIEL; FLORINDO, JOAO B.. Medical image classification using a combination of features from convolutional neural networks. MULTIMEDIA TOOLS AND APPLICATIONS, v. N/A, p. 24-pg., 2022-11-15. (20/01984-8)