Deep learning e representações intermediárias para análise de imagens pediátricas

• Processo: 20/06744-5
• Linha de fomento: Bolsas no Brasil - Pós-Doutorado
• Vigência (Início): 01 de setembro de 2020
• Vigência (Término): 31 de agosto de 2023
• Área do 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

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

(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)

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)