Exploração de deep features via transfer learning com técnicas fractais para classificar imagens H&E

• Ano de defesa: 2022
• Autor(a) principal: Longo, Leonardo Henrique da Costa
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Processamento de imagens; Aprendizado do computador; Redes neurais (Computação); Fractais; Deep features; Fractal techniques; Feature ensemble; Ensemble of classifiers; H&E histological images
• Link de acesso: http://hdl.handle.net/11449/238421

Neste trabalho é apresentada uma proposta para investigar combinações de descritores handcrafted e deep learned, bem como possíveis padrões de associações em diferentes tipos de imagens histológicas. Os descritores handcrafted foram definidos da categoria de técnicas fractais aplicadas às imagens originais, bem como às representações obtidas por meio de técnicas de inteligência artificial explicável. Os descritores deep learned foram obtidos de diferentes arquiteturas de redes neurais convolucionais. Os descritores mais relevantes de cada combinação, definidos a partir de um algoritmo de ranqueamento, foram analisados em um ensemble composto pelos classificadores SVM, Naive Bayes, Random Forest e K-Nearest Neighbors. A metodologia proposta foi aplicada em imagens H&E representativas do câncer de mama, colorretal, displasia oral e tecido hepático. Os melhores resultados em cada conjunto foram taxas de acurácias de 94,83% a 100%, além de: conhecer padrões de combinações de técnicas para diferentes tipos de imagens H&E; indicar que o ensemble de descritores permite aumentar as taxas conquistadas em diferentes contextos, sobretudo quando combinadas com deep features obtidas via transfer learning; definir que combinação de ensembles (descritores e classificadores) pode fornecer desempenhos competitivos em relação aos disponíveis na Literatura, explorando um número reduzido de características.