Rede neural baseada em padrões locais binários para a análise de imagens médicas

• Processo: 20/12549-0
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de maio de 2021
• Data de Término da vigência: 28 de fevereiro de 2022
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Joao Batista Florindo
• Beneficiário: Juliano Amadeu Lopes Moura
• Instituição Sede: Instituto de Matemática, Estatística e Computação Científica (IMECC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Assunto(s): Redes neurais (computação) Visão computacional Diagnóstico por imagem Análise de imagens Metodologia e técnicas de computação
• Palavra(s)-Chave do Pesquisador: Análise de imagens | Imagens Médicas | Padrões Locais Binários | Redes neurais | Visão Computacional Aplicada à Área Médica

Resumo

Este projeto propõe o estudo e desenvolvimento de ferramentas matematico-computacionais para análise de imagens médicas acrescentando o conceito de padrão local binário ao fluxo de uma rede neural multi-camadas. É fato que as redes neurais, especialmente as convolucionais, têm se popularizado na análise de imagens em geral e em particular na área médica. Contudo, outras abordagens para redes neurais têm sido investigadas recentemente e uma destas são as combinações do treinamento convencional de redes neurais com outros descritores clássicos de imagens. Um exemplo popular destes descritores são os padrões locais binários, formados a partir da comparação do valor de cada pixel com seus pixels vizinhos. Este tipo de rede tem demonstrado resultados promissores em reconhecimento de objetos em geral e propõe-se aqui sua aplicação em imagens de texturas, com foco especial na área médica, em auxílio ao diagnóstico. Mais especificamente, a metodologia será aplicada à identificação de tipos de câncer de pulmão. Espera-se que os resultados obtidos tragam implicações importantes para a sociedade, ajudando na 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)