Resumo
Diagnósticos de câncer podem ser confirmados por análises computacionais e visuais de imagens histológicas. Entretanto, variações de cores dessas imagens podem prejudicar o desempenho de métodos computacionais. Técnicas de normalização podem ser utilizadas para corrigir essas variações provocadas pelo processo de coloração de tecidos com corantes de Hematoxilina-Eosina (H&E), comumente utilizados em práticas clínicas reais. Além disso, técnicas de normalização podem derivar algoritmos de deconvolução, que têm como saída uma imagem para representação de hematoxilina e uma segunda imagem para a eosina. Alguns desafios em trabalhos da literatura tornam ainda necessário o desenvolvimento de novas propostas para o aprimoramento da normalização e da deconvolução. Para isso, propriedades biológicas dos corantes e dos tecidos devem ser utilizadas para permitir uma interpretação biológica válida dessas propostas, e informações contextuais também devem ser consideradas, pela dependência espacial de estruturas histológicas. Assim, neste projeto é apresentada uma proposta para investigar métodos de correspondência espectral que promovam a integração entre esses conceitos com o uso de autocodificadores para a deconvolução de imagens histológicas H&E. Esta proposta será avaliada em imagens histológicas de diferentes tipos de câncer com evidentes variações de cores, a serem mapeadas e identificadas por uma revisão sistemática. Além disso, é esperado que o uso dessa metodologia contribua para as etapas de processamento de sistemas de apoio a diagnósticos. Nessa avaliação, almeja-se obter melhores resultados com o uso da normalização e da deconvolução nas etapas de extração de características e classificação de imagens histológicas. Para isso, este projeto propõe utilizar atributos fractais com diferentes representações, tais como LIME e Grad-CAM. Essas estratégias permitem maior interpretabilidade dos atributos extraídos, com possíveis ganhos na classificação das imagens. Além disso, essas representações serão utilizadas por redes de aprendizagem profunda a fim de avaliar seu desempenho via diferentes modelos de ensemble learning no processo de predição de classes das imagens. (AU)
| Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio: |
| Mais itensMenos itens |
| TITULO |
| Matéria(s) publicada(s) em Outras Mídias ( ): |
| Mais itensMenos itens |
| VEICULO: TITULO (DATA) |
| VEICULO: TITULO (DATA) |