Aprendizado de representações multivisão para análise de imagens com aplicações em biossensores

• Processo: 24/01744-8
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de outubro de 2024
• Data de Término da vigência: 28 de fevereiro de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Lucas Correia Ribas
• Beneficiário: Ricardo Trivizan Fares
• Instituição Sede: Instituto de Biociências, Letras e Ciências Exatas (IBILCE). Universidade Estadual Paulista (UNESP). Campus de São José do Rio Preto. São José do Rio Preto , SP, Brasil
• Vinculado ao auxílio: 18/22214-6 - Rumo à convergência de tecnologias: de sensores e biossensores à visualização de informação e aprendizado de máquina para análise de dados em diagnóstico clínico, AP.TEM
• Assunto(s): Análise de imagens Técnicas biossensoriais Extração de características Reconhecimento de padrões Redes neurais (computação) Visão computacional
• Palavra(s)-Chave do Pesquisador: Análise de imagens | biossensores | Extração de características | Reconhecimento de Padrões | Redes Neurais Artificiais | Visão Computacional

Resumo

Diante da crescente complexidade e diversidade das imagens capturadas por diferentes dispositivos, surge a necessidade de métodos de análise de imagens mais sofisticados. As imagens capturadas por biossensores são exemplos de dados contemporâneos e ainda pouco estudados. Elas são compostas por padrões complexos que demandam métodos altamente discriminativos, capazes de descrever sua complexidade para efetuar tarefas de reconhecimento. Atualmente, muitas técnicas de análise de imagens concentram-se numa única perspectiva da imagem, limitando a capacidade de extrair informações complexas e robustas. Nesse sentido, o principal objetivo deste projeto é desenvolver métodos baseados em aprendizado de representações multivisão para análise de imagens. Tal abordagem permite a integração de múltiplas perspectivas da mesma imagem, aumentando assim a complementariedade de informações e a robustez da representação. Assim, este projeto foca em três pontos-chaves de pesquisa para desenvolvimento de métodos: (i) estudo, obtenção e gerações de visões de imagens. (ii) aprendizado de representações multivisão; (iii) agregação de características multivisão. Além da frente teórica, este projeto objetiva aplicar os métodos desenvolvidos na caracterização e classificação de imagens de biossensores visando novas estratégias para aplicações como diagnóstico precoce de câncer e detecção de vírus ou contaminações. Essas imagens são fornecidas por colaboradores do projeto temático (processo, 2018/22214-6) em que este projeto de mestrado está vinculado. Desta forma, espera-se que os métodos desenvolvidos contribuam com avanços na área análise de imagens com métodos mais robustos, além de novas estratégias de detecção e diagnóstico nas áreas de físico-química e medicina.

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)

RIBAS, LUCAS C.; CASACA, WALLACE; FARES, RICARDO T.. Conditional Generative Adversarial Networks and Deep Learning Data Augmentation: A Multi-Perspective Data-Driven Survey Across Multiple Application Fields and Classification Architectures. AI, v. 6, n. 2, p. 24-pg., 2025-02-01. (24/01744-8, 13/07375-0, 23/04583-2, 23/14427-8)