Barrett's esophagus analysis using infinity Restricted Boltzmann Machines

Autor(es)

Passos, Leandro A. ^[1] ; de Souza, Jr., Luis A. ^[1] ; Mendel, Robert ^{[2, 3]} ; Ebigbo, Alanna ^[4] ; Probst, Andreas ^[4] ; Messmann, Helmut ^[4] ; Palm, Christoph ^{[2, 3]} ; Papa, Joao Paulo ^[5]

Afiliação do(s) autor(es)

^[1] Univ Fed Sao Carlos, UFSCAR, Dept Comp, BR-13565905 Sao Carlos, SP - Brazil

^[2] OTH Regensburg, Ostbayer Tech Hsch Regensburg, Regensburg Med Image Comp ReMIC, D-93053 Regensburg - Germany

^[3] OTH Regensburg, Regensburg Ctr Hlth Sci & Technol, D-93053 Regensburg - Germany

^[4] Klinikum Augsburg III, Med Klin, D-86156 Augsburg - Germany

^[5] Sao Paulo State Univ, UNESP, Dept Comp, BR-17033360 Bauru - Brazil

• Tipo de documento: Artigo Científico
• Fonte: JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION; v. 59, p. 475-485, FEB 2019.
• Citações Web of Science: 0

Resumo

The number of patients with Barret's esophagus (BE) has increased in the last decades. Considering the dangerousness of the disease and its evolution to adenocarcinoma, an early diagnosis of BE may provide a high probability of cancer remission. However, limitations regarding traditional methods of detection and management of BE demand alternative solutions. As such, computer-aided tools have been recently used to assist in this problem, but the challenge still persists. To manage the problem, we introduce the infinity Restricted Boltzmann Machines (iRBMs) to the task of automatic identification of Barrett's esophagus from endoscopic images of the lower esophagus. Moreover, since iRBM requires a proper selection of its meta-parameters, we also present a discriminative iRBM fine-tuning using six meta-heuristic optimization techniques. We showed that iRBMs are suitable for the context since it provides competitive results, as well as the meta-heuristic techniques showed to be appropriate for such task. (C) 2019 Elsevier Inc. All rights reserved. (AU)

• Processo FAPESP: 14/16250-9 - Sobre a otimização de parâmetros em técnicas de aprendizado de máquina: avanços e paradigmas
• Beneficiário: João Paulo Papa
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Processo FAPESP: 14/12236-1 - AnImaLS: Anotação de Imagem em Larga Escala: o que máquinas e especialistas podem aprender interagindo?
• Beneficiário: Alexandre Xavier Falcão
• Modalidade de apoio: Auxílio à Pesquisa - Temático
• Processo FAPESP: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria
• Beneficiário: Francisco Louzada Neto
• Modalidade de apoio: Auxílio à Pesquisa - Centros de Pesquisa, Inovação e Difusão - CEPIDs
• Processo FAPESP: 15/25739-4 - Estudo de Semântica em Modelos de Aprendizado em Profundidade
• Beneficiário: Gustavo Henrique de Rosa
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Processo FAPESP: 16/21243-7 - Aprendendo Parâmetros de Remoção em Redes Neurais por Convolução
• Beneficiário: Gustavo Henrique de Rosa
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Mestrado