Rumo a equidade em processamento de imagens médicas por meio de abordagens de aprendizado semissupervisionado

• Processo: 23/12493-3
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Vigência (Início): 01 de dezembro de 2023
• Vigência (Término): 30 de novembro de 2025
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Acordo de Cooperação: Swiss National Science Foundation (SNSF)
• Pesquisador responsável: Lilian Berton
• Beneficiário: Dilermando Queiroz Neto
• Instituição Sede: Instituto de Ciência e Tecnologia (ICT). Universidade Federal de São Paulo (UNIFESP). Campus São José dos Campos. São José dos Campos , SP, Brasil
• Vinculado ao auxílio: 21/14725-3 - FairMI: imparcialidade em aprendizado de máquina com aplicação em imagens médicas, AP.R
• Assunto(s): Aprendizado computacional Processamento de imagens Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | fairness | Processamento de imagens | Inteligência Artificial

Resumo

Muitos dados não rotulados estão disponíveis hoje em dia, como documentos, imagens e vídeos. No entanto, rotular esses dados pode ser oneroso e envolve recursos humanos, como especialistas na área. Neste contexto, o aprendizado semissupervisionado (SSL) tem atraído o interesse dos pesquisadores, pois emprega uma pequena quantidade de dados rotulados juntamente com uma grande quantidade de dados não rotulados. Nosso objetivo é explorar o SSL e a imparcialidade aplicados na classificação de imagens médicas, como por exemplo, tomografia de pacientes submetidos a PET/CT com 18F-FDG. A tomografia computadorizada realizada após administração de fluoreto-18 marcado com fluorodesoxiglicose (PET/CT com 18 F-FDG) desempenha um papel importante na investigação do câncer ao associar atividade glicolítica tecidual com dados morfológicos. Neste projeto, exploraremos técnicas semissupervisionadas e fairness em classificação de imagens médicas, visando melhorar o desempenho dos algoritmos quando o conjunto de dados está desequilibrado, o que é bastante comum considerando demografia das minorias.