Geração ilimitada de imagens de lesões de pele usando redes generativas adversariais

• Processo: 19/19619-7
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de junho de 2020
• Data de Término da vigência: 29 de fevereiro de 2024
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Sandra Eliza Fontes de Avila
• Beneficiário: Alceu Emanuel Bissoto
• Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Vinculado ao auxílio: 13/08293-7 - CECC - Centro de Engenharia e Ciências Computacionais, AP.CEPID
• Bolsa(s) vinculada(s): 22/09606-8 - Compreensão do papel de atalhos e mudanças de distribuição para generalização de redes neurais profundas, BE.EP.DR
• Assunto(s): Aprendizagem profunda Aprendizado computacional Ferimentos e lesões Pele Neoplasias cutâneas Redes adversárias generativas
• Palavra(s)-Chave do Pesquisador: Generative Adversarial Networks | machine learning | Skin Cancer Analysis | Deep Learning

Resumo

Melanoma é a forma mais letal de Câncer de pele. Análise automática de lesão de pele pode ter uma participação decisiva para detecção precoce, que é vital para o tratamento dos pacientes. Redes neurais profundas são o estado da arte para análise de imagens de lesões de pele, porém a falta de dados anotados limita a performance de classificação dessas redes. Começamos em 2017 a gerar imagens anotadas para nosso modelos de classificação com Redes Generativas Adversariais (GANs, do inglês Generative Adversarial Networks). A GAN aprende a distribuição dos dados, permitindo-nos amostrar imagens dessa distribuição, possibilitando um método complementar a aumentação de dados. No nosso último trabalho, geramos imagens de alta resolução, e com relevância clínica, que quando usadas para aumentar o conjunto de treino da nossa rede de classificação, melhorou a performance. Porém, nosso método tem limitações. A quantidade de imagens sintéticas que conseguimos gerar é limitada por uma anotação especial que está disponível apenas para um conjunto menor de dados. Isso é problemático pois queremos gerar quantidades ilimitadas de dados para impulsionar a classificação de lesões de pele. Nesse projeto de pesquisa de doutorado, exploramos métodos para geração ilimitada: propomos soluções para incorporar informação clínica relevante ao processo de geração da GAN, de forma a manter a qualidade das imagens, sem sacrificar a quantidade ou variabilidade. Acreditamos que nossa experiência em modelos generativos e em análise de lesões de pele nos qualifica a realizar esse trabalho que busca melhorar o estado da arte atual para geração de imagens de lesões de pele, e classificação. Destacamos que nosso grupo está na vanguarda do cenário internacional dessa pesquisa, sendo responsável por resultados revolucionários associados à análise de lesões de pele. (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)

MIRIKHARAJI, ZAHRA; ABHISHEK, KUMAR; BISSOTO, ALCEU; BARATA, CATARINA; AVILA, SANDRA; VALLE, EDUARDO; CELEBI, M. EMRE; HAMARNEH, GHASSAN. A survey on deep learning for skin lesion segmentation. MEDICAL IMAGE ANALYSIS, v. 88, p. 40-pg., 2023-06-19. (19/19619-7, 13/08293-7)

BISSOTO, ALCEU; VALLE, EDUARDO; AVILA, SANDRA; IEEE COMP SOC. GAN-Based Data Augmentation and Anonymization for Skin-Lesion Analysis: A Critical Review. 2021 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGITION WORKSHOPS (CVPRW 2021), v. N/A, p. 10-pg., 2021-01-01. (19/19619-7, 13/08293-7)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

BISSOTO, Alceu Emanuel. Evaluating and mitigating biases in skin lesion analysis. 2024. Tese de Doutorado - Universidade Estadual de Campinas (UNICAMP). Instituto de Computação Campinas, SP.