Introduzindo elementos de geometria fractal em redes convolucionais profundas: uma aplicação ao reconhecimento e categorização do Câncer de Pulmão

Resumo

Este projeto propõe o estudo e desenvolvimento de uma metodologia computacional para análise de imagens introduzindo elementos da teoria fractal em redes neurais convolucionais profundas. Embora estas redes tenham se tornado onipresentes na visão computacional como um todo, e em particular na análise de imagens médicas, teorias clássicas como a geometria fractal podem ainda ser bastante úteis, entre outros motivos, por permitirem uma modelagem com interpretação mais direta e não dependerem de tantos dados para treinamento. Neste contexto, propõe-se que conceitos teóricos e técnicas da geometria fractal sejam introduzidos ao pipeline de uma rede neural convolucional. O processo se dá em três perspectivas: na entrada, na saída e na arquitetura da rede. Na entrada, uma transformação multifractal é aplicada à imagem original. Na saída, a dimensão fractal e/ou o espectro multifractal dos mapas de características de camadas convolucionais da rede serão calculados. Ambas as soluções serão implementadas diretamente nas camadas da rede, por meio de convoluções e outros operadores. Já na arquitetura, serão usados fluxos de informação auto-similares que podem substituir as arquiteturas residuais clássicas. A metodologia desenvolvida será aplicada a um problema na área médica, que é a identificação e categorização de sub-tipos de câncer de pulmão a partir de imagens de microscopia, tanto histológicas quando citológicas. Espera-se que os resultados obtidos representem avanços importantes, tanto teóricos quanto práticos. Em termos teóricos, a proposta visa investigar a possibilidade de aprimoramentos em algoritmos de aprendizado automático para classificação de imagens, tanto na acurácia da classificação em si, como na menor sensibilidade a uma quantidade menor de dados para treinamento. Já em termos práticos, são esperadas implicações úteis para a sociedade, por meio de uma melhor compreensão de processos carcinogênicos e fomentando assim possibilidades tanto de um diagnóstico mais precoce quanto de um tratamento mais eficaz, melhorando a qualidade e a expectativa de vida do paciente. (AU)