19 dez 2023
14:00 Defesa de Doutorado Auditório do IC3
Tema
Codificadores Convolucionais Compactos e Livres de Retropropagação para a Análise de Imagens de Tomografia Computadorizada do Tórax com Anomalias Pulmonares
Aluno
Azael de Melo e Sousa
Orientador / Docente
Alexandre Xavier Falcão
Breve resumo
A tomografia computadorizada (TC) tem sido amplamente utilizada no diagnóstico de doenças respiratórias. Devido ao crescimento na disponibilidade de tomógrafos e nos eventos globais recentes, como a pandemia da COVID-19 e a propagação da gripe, a quantidade de exames de TC a serem visualmente analisados por especialistas aumentou consideravelmente. Como consequência, surgiu um cenário promissor para sistemas de diagnóstico automático por computador que aliviam o fardo de médicos em tarefas tão repetitivas. Melhorias tecnológicas em hardware levou ao aumento do uso de modelos de Aprendizado Profundo por muitas aplicações de visão computacional, incluindo a detecção automática de anomalias pulmonares. Apesar de seu sucesso, tais modelos dependem de bases de dados em abundância e devidamente anotados, os quais podem ser difíceis de encontrar. A escolha de uma arquitetura apropriada para modelos de redes neurais convolucionais é tão relevante quanto grandes bases de dados para alcançar um desempenho satisfatório sem demandar configurações computacionais irrealistas. Nesta tese, nós reconhecemos as limitações inerentes de aplicações de aprendizado profundo e propomos técnicas para a criação de modelos eficientes e compactos usando bases de dados pequenas. Para lidar com a falta de dados, nós focamos na geração de filtros convolucionais sem a utilização de retropopagação. A maioria das nossas propostas contam com a participação de usuários humanos, i.e., especialistas e projetista de rede, em vários estágios do aprendizado de forma a prover informações relevantes para o modelo, auxiliando no seu poder de generalização. Aqui, nós exploramos um método proposto recentemente chamado de Filter Learning from Image Markers (FLIM) o qual produz filtros especializados baseados em marcadores desenhados por especialistas sobre regiões na imagem que são representativas para solucionar o problema alvo. Nós também propomos uma metodologia inédita, baseada no FLIM, para a construção camada-por-camada de arquiteturas de redes convolucionais que se beneficia de uma integração mais ativa entre humano e máquina. Nessa abordagem, o projetista de rede analisa e altera os hiperparâmetros do modelo de acordo com uma avaliação visual dos mapas de ativação gerados pelo FLIM. Como resultado, os usuários podem criar redes neurais que correspondam ao poder computacional disponível. A medida que nossa metodologia evoluiu durante o curso deste estudo, nós validamos cada nova melhoria em diferentes aplicações associadas à detecção de anomalies pulmonares em imagens de CT. Experimentos são conduzidos nos problemas de detecção de placas pleurais devido a asbetos, classificação de COVID-19 e segmentação de opacidade em vidro fosco. Cada problema possui sem próprio conjunto de dados, tanto público como privado. Dado que o FLIM ainda está em seu estágio embrionário, nós analisamos o impacto da quantidade de marcadores desenhados na geração de filtros durante a construção da rede. Finalmente, nós investigamos o uso do FLIM como um procedimento de inicialização de pesos para avaliar os benefícios de ajustar os filtros do FLIM com a retropropagação.
Banca examinadora
Titulares:
| Alexandre Xavier Falcão | IC/UNICAMP |
| Nina Sumiko Tomita Hirata | IME/USP |
| Paulo Mazzoncini de Azevedo Marques | FMRP/USP |
| Hélio Pedrini | IC/UNICAMP |
| Esther Luna Colombini | IC/UNICAMP |
Suplentes:
| Alexandre Mello Ferreira | EEP |
| Thierry Pinheiro Moreira | SiDi |
| Artur Jordão Lima Correia | PCS/USP |