Deep features obtidas de representações LIME e Grad-CAM: uma análise explorando imagens normalizadas H&E

• Processo: 25/05775-8
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de junho de 2025
• Data de Término da vigência: 31 de dezembro de 2025
• Área de conhecimento: Engenharias - Engenharia Biomédica
• Pesquisador responsável: Thaína Aparecida Azevedo Tosta
• Beneficiário: Betânia Caroline Silva de Albuquerque
• 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: 22/03020-1 - Normalização de corantes H&E por autocodificadores com análises de ensemble learning para imagens histológicas, AP.PNGP.PI
• Assunto(s): Processamento de imagens
• Palavra(s)-Chave do Pesquisador: análise de imagens histológicas | Ensemble learning | Grad- CAM | Lime | Normalização de cores H&E | Processamento de imagens médicas

Resumo

Apesar dos avanços na área de análise de imagens, especialmente a partir de redes neurais convolucionais (do inglês, Convolutional Neural Network - CNN), ainda é possível investigar o poder discriminativo de modelos híbridos de CNNs considerando diferentes formas de representações de imagens, tais como as desenvolvidas para produzir visualizações sobre os padrões de ativação neural de uma CNN. Por exemplo, é possível utilizar os valores de uma camada de uma CNN para conhecer as regiões das imagens que embasam uma classificação, via estratégias Grad-CAM e LIME. Isso permite avaliar o poder discriminativo de imagens histológicas H&E após aplicar diferentes técnicas de normalização de cores. Esse tipo de investigação não foi totalmente explorado na literatura correlata, especialmente para definir um modelo combinando representações de imagens LIME e Grad-CAM. Essas associações são contribuições relevantes para a classificação e o reconhecimento de padrões de doenças usando imagens H&E, embasando o desenvolvimento de sistemas computacionais mais completos. (AU)