Aprendizado não-supervisionado de registro de imagens de retina via redes neurais convolucionais e teoria do transporte ótimo de massa

Resumo

O uso de exames a partir de imagens é comum no meio médico da oftalmologia. Nessa frente, são utilizadas imagens de retina (fundus images) adquiridas em diferentes momentos ou de aparelhos distintos a fim de amparar diagnósticos médicos e monitorar o progresso de doenças. Tal problemática recebe o nome de registro de imagens, a qual vem experimentando importantes avanços devido ao uso do paradigma de Aprendizado de Máquina (AM). Apesar dos recentes progressos na área, não há consenso sobre a implementação de uma técnica devidamente robusta, que alie custo computacional aceitável, alta acurácia e fácil operabilidade em cenários práticos, características desejáveis de uma ferramenta de registro de uso contínuo por parte de profissionais oftalmologistas. Além disso, as técnicas existentes ou dependem de ground-truth para serem efetivas, isto é, são supervisionadas, ou não atendem alguns dos requisitos acima. Ademais, a literatura de redes para registro de retina é incipiente e, sobretudo, bastante escassa na linha de registro não supervisionado de retina. Desta forma, esta pesquisa de mestrado visa atacar o problema de registro de imagens de retina através de uma rede totalmente não supervisionada, a qual venha a realizar tanto o matching entre as estruturas das imagens como a própria tarefa de registro. O pipeline de AM proposto almeja introduzir uma nova concepção da teoria do Transporte Ótimo dentro de uma rede convolucional, além de explorar uma nova métrica de overlap entre imagens de retina para treinar o modelo. Assim, além das contribuições de ordem técnica, a metodologia proposta será avaliada dentro de um contexto médico real, a partir do feedback de dois oftalmologistas experientes no tratamento e registro de imagens de fundus sendo, portanto, possível medir o impacto prático de nossa ferramenta no meio médico. (AU)