Segmentação longitudinal automática do pulmão e achados da COVID-19 explorando aprendizado auto supervisionado e treinamento polimórfico

• Processo: 22/02344-8
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Vigência (Início): 01 de setembro de 2022
• Vigência (Término): 28 de fevereiro de 2023
• Área do conhecimento: Engenharias - Engenharia Elétrica
• Pesquisador responsável: Roberto de Alencar Lotufo
• Beneficiário: Diedre Santos do Carmo
• Supervisor: Joseph M. Reinhardt
• Instituição Sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Local de pesquisa: University of Iowa, Estados Unidos
• Vinculado à bolsa: 19/21964-4 - Diagnóstico de doenças pulmonares e COVID a partir de imagens de tomografia computadorizada usando aprendizado profundo explicável, BP.DR
• Assunto(s): Aprendizagem profunda Visão computacional Processamento de imagens Tomografia computadorizada Pulmão COVID-19
• Palavra(s)-Chave do Pesquisador: Aprendizado profundo | Covid-19 | Processamento de imagens | pulmão | segmentação automática | Tomografia computadorizada | Visão Computacional

Resumo

O uso de aprendizado profundo para segmentação automatizada do pulmão afetado por COVID-19 usando imagens de tomografia computadorizada (TC) na atual pandemia de COVID-19 é um tópico de pesquisa muito ativo na segmentação de imagens médicas. Alguns métodos de segmentação automatizada já foram propostos com aprendizado supervisionado sobre anotações manuais. A falta de disponibilidade de dados de anotações manuais aliada à possibilidade de overfitting a características específicas dos dados pouco disponíveis coloca em xeque a confiabilidade desses métodos. Atualmente possuímos um grande conjunto de dados de dados de TC anotados para segmentação supervisionada e disponibilizamos um método de segmentação pública. Para o nosso próximo passo neste projeto de 6 meses de Estágio de Pesquisa no Exterior (BEPE), propomos atacar duas direções de pesquisa identificadas através de uma revisão sistemática da literatura recentemente concluída. Com a intenção de utilizar dados adicionais que serão disponibilizados por meio dessa colaboração, primeiro exploraremos o uso do aprendizado de contexto auto supervisionado, estudando se uma etapa de pré-treinamento com dados não anotados poderia melhorar o desempenho de um posterior aprendizado supervisionado. Em segundo lugar, expandiremos uma proposta recente de nossos colaboradores, denominada treinamento polimórfico, para explorar se é possível aprender com diferentes formas de anotações para os achados do COVID-19 para alcançar melhores resultados. Estudos de validação e ablação dessas duas hipóteses serão realizado por meio de um estudo longitudinal de novos dados anotados longitudinais de pacientes com COVID-19. (AU)