Deep learning e representações intermediárias para análise de imagens pediátricas

• Processo: 20/06744-5
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de setembro de 2020
• Data de Término da vigência: 31 de maio de 2023
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Roberto Marcondes Cesar Junior
• Beneficiário: Hugo Neves de Oliveira
• Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Vinculado ao auxílio: 15/22308-2 - Representações intermediárias em Ciência Computacional para descoberta de conhecimento, AP.TEM
• Assunto(s): Diagnóstico por imagem Análise de imagens Aprendizagem profunda Pediatria Ressonância magnética Grafos Análise espaço-temporal Processamento de imagens
• Palavra(s)-Chave do Pesquisador: Aprendizado profundo | Imagens Médicas | Processamento de imagens | Radiologia Pediátrica | Reconhecimento de Padrões | Ressonância Magnética | Imagens Médicas

Resumo

As imagens médicas requerem o desenvolvimento de métodos para melhorar a precisão nos resultados da análise de imagens. Os avanços na análise de imagens médicas fornecem tais ferramentas, mas ainda há uma lacuna importante em relação à imagem cerebral pediátrica, embora haja uma demanda médica crescente. Este projeto visa contribuir para preencher essa lacuna, com foco na Ressonância Magnética cerebral (RM) de bebês, recém-nascidos e bebês prematuros, que levantam questões específicas devido ao contraste particular de matéria cinzenta/branca relacionada ao processo de mielinização fisiológica, à evolução muito rápida, mas não continuamente observada das estruturas cerebrais e possíveis patologias, bem como à alta variabilidade intra e inter-sujeita. Uma dessas questões é que os dados são tipicamente ruidosos, ambíguos, escassos e esparsos no tempo. Por sua vez, o conhecimento médico especializado está disponível, mas é propenso a mudanças e evolução. Deste ponto de vista, o projeto aborda uma das questões de ponta na análise de dados, ou seja, como extrair e entender padrões significativos onde os dados são escassos, mas o conhecimento especializado, continuamente enriquecido, está disponível. Propomos desenvolver representações estruturais de conhecimento e informações de imagens na forma de grafos e hipergrafos, que serão exploradas para orientar a compreensão de imagens espaço-temporais (segmentação, reconhecimento, quantificação, comparação ao longo do tempo, descrição do conteúdo de imagem e evolução). Tais técnicas serão complementadas por abordagens de deep learning para processamento das imagens 2D ou 3D. O objetivo do projeto é desenvolver métodos computacionais para apoiar o diagnóstico, análise patológica e acompanhamento dos pacientes. (AU)

Publicações científicas

(11)

(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, HUGO; PENTEADO, LARISSA; MACIEL, JOSE LUIZ; FERRACIOLLI, SUELY FAZIO; TAKAHASHI, MARCELO STRAUS; BLOCH, ISABELLE; CESAR JUNIOR, ROBERTO; IEEE COMP SOC. Automatic Segmentation of Posterior Fossa Structures in Pediatric Brain MRIs. 2021 34TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI 2021), v. N/A, p. 8-pg., 2021-01-01. (19/16112-9, 15/22308-2, 18/07386-5, 20/06744-5, 17/50236-1)

MONTEIRO, BRUNO A. A.; OLIVEIRA, HUGO; DOS SANTOS, JEFERSSON A.. Self-Supervised Learning for Seismic Image Segmentation From Few-Labeled Samples. IEEE Geoscience and Remote Sensing Letters, v. 19, p. 5-pg., 2022-01-01. (20/06744-5, 15/22308-2)

OLIVEIRA, HUGO; CESAR, ROBERTO M., JR.; GAMA, PEDRO H. T.; DOS SANTOS, JEFERSSON A.; DECARVALHO, BM; GONCALVES, LMG. Domain Generalization in Medical Image Segmentation via Meta-Learners. 2022 35TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI 2022), v. N/A, p. 6-pg., 2022-01-01. (20/06744-5, 15/22308-2)

CARVALHO, THIAGO; MARTINEZ, JORGE A. CHAMORRO; OLIVEIRA, HUGO; DOS SANTOS, JEFERSSON A.; FEITOSA, RAUL QUEIROZ. Outlier Exposure for Open Set Crop Recognition From Multitemporal Image Sequences. IEEE Geoscience and Remote Sensing Letters, v. 20, p. 5-pg., 2023-01-01. (20/06744-5, 15/22308-2)

NUNES, IAN; PEREIRA, MATHEUS B.; OLIVEIRA, HUGO; DOS SANTOS, JEFERSSON A.; POGGI, MARCUS; IEEE. CONDITIONAL RECONSTRUCTION FOR OPEN-SET SEMANTIC SEGMENTATION. 2022 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING, ICIP, v. N/A, p. 5-pg., 2022-01-01. (20/06744-5, 15/22308-2)

NUNES, IAN M.; POGGI, MARCUS; OLIVEIRA, HUGO; PEREIRA, MATHEUS B.; DOS SANTOS, JEFERSSON A.; DECARVALHO, BM; GONCALVES, LMG. Deep Open-Set Segmentation in Visual Learning. 2022 35TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI 2022), v. N/A, p. 6-pg., 2022-01-01. (20/06744-5, 15/22308-2)

GAMA, PEDRO H. T.; OLIVEIRA, HUGO; MARCATO JR, JOSE; DOS SANTOS, JEFERSSON A.. Weakly Supervised Few-Shot Segmentation via Meta-Learning. IEEE TRANSACTIONS ON MULTIMEDIA, v. 25, p. 14-pg., 2023-01-01. (20/06744-5)

GAMA, PEDRO HENRIQUE TARGINO; OLIVEIRA, HUGO; DOS SANTOS, JEFERSSON A.; CESAR JR, ROBERTO M.. An overview on Meta-learning approaches for Few-shot Weakly-supervised Segmentation. COMPUTERS & GRAPHICS-UK, v. 113, p. 12-pg., 2023-05-28. (15/22308-2, 17/50236-1, 20/06744-5)

CHAMORRO MARTINEZ, JORGE A.; OLIVEIRA, HUGO; DOS SANTOS, JEFERSSON A.; FEITOSA, RAUL QUEIROZ. Open Set Semantic Segmentation for Multitemporal Crop Recognition. IEEE Geoscience and Remote Sensing Letters, v. 19, 2022. (17/50236-1, 20/06744-5, 15/22308-2)

NUNES, IAN; LARANJEIRA, CAMILA; OLIVEIRA, HUGO; DOS SANTOS, JEFERSSON A.. A systematic review on open-set segmentation. COMPUTERS & GRAPHICS-UK, v. 115, p. 13-pg., 2023-10-01. (15/22308-2, 17/50236-1, 20/06744-5)

BADAIN, RAFAEL; DAMINELI, DANIEL S. C.; PORTES, MARIA TERESA; FEIJO, JOSE; BURATTI, STEFANO; TORTORA, GIORGIA; DE OLIVEIRA, HUGO NEVES; CESAR, ROBERTO M., JR.. AMEBaS: Automatic Midline Extraction and Background Subtraction of Ratiometric Fluorescence Time-Lapses of Polarized Single Cells. JOVE-JOURNAL OF VISUALIZED EXPERIMENTS, v. N/A, n. 196, p. 15-pg., 2023-06-01. (21/05363-0, 20/06744-5, 19/23343-7, 19/26129-6, 15/22308-2)