Do Lógico ao Abstrato: A Ciência no Cotidiano
24 a 26 de outubro de 2017
Trabalho 9063
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Pós-graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Teoria e Tecnologia da informação |
| Setor | Instituto de Ciências Exatas e Tecnológicas |
| Bolsa | CAPES |
| Conclusão de bolsa | Não |
| Apoio financeiro | CAPES, FAPEMIG |
| Primeiro autor | Larissa Ferreira Rodrigues |
| Orientador | MURILO COELHO NALDI |
| Outros membros | JOÃO FERNANDO MARI |
| Título | Classificação de células HEp-2 utilizando redes neurais convolucionais |
| Resumo | Nas últimas décadas, houve um aumento significativo no número de casos de doenças autoimunes. Elas são a terceira causa de mortalidade no mundo, após doenças cardiovasculares e câncer. As doenças autoimunes têm como característica a condição em que o próprio sistema imunológico ataca e destrói tecidos saudáveis do organismo por engano, sendo que a maioria dessas doenças apresentam sintomas semelhantes e diagnóstico difícil. A análise visual dos padrões de coloração nas imagens de imunofluorescência (IIF) em células epiteliais humanas (HEp-2) é um dos procedimentos disponíveis para a identificação de doenças autoimunes, sendo caracterizada como uma análise manual, subjetiva e demorada. A necessidade de métodos automatizados e padronizados motiva o desenvolvimento de sistemas de diagnóstico auxiliados por computador com base em técnicas de processamento de imagem e aprendizado de máquina. O uso de técnicas de Aprendizado Profundo, em particular as Redes Neurais Convolucionais (CNNs), vem demonstrando bons resultados em tarefas gerais de reconhecimento visual. As CNNs são baseadas em processamento de imagem em várias etapas para extrair representações hierárquicas de alto nível dos dados. Tendo em vista a crescente demanda por métodos automáticos de classificação de células HEp-2 e os resultados promissores das CNNs, o principal objetivo deste trabalho é estudar diferentes abordagens baseadas em CNNs para classificar automaticamente células HEp-2 em imagens de microscopia. A principal contribuição deste trabalho é o estudo do impacto de diferentes estratégias de pré-processamento com base em melhorias de contraste, centralização de dados e aumento de dados considerando a rotação das imagens do conjunto de treinamento após as estratégias de pré-processamento. O presente trabalho é o primeiro a considerar os modelos de CNN: AlexNet e GoogLeNet, além do LeNet-5, para analisar e classificar 13.596 imagens de células HEp-2 disponibilizadas publicamente para o concurso ICPR-2014. As imagens foram pré-processadas usando os módulos Numpy, Scipy e Scikit-Image da linguagem Python e as CNNs foram construídas no framework NVIDIA DIGITS com Caffe. As 13.596 imagens do conjunto de dados foram divididas aleatoriamente entre conjunto de treinamento, conjunto de teste e conjunto de validação, com as proporções 64% (8,701 imagens), 16% (2,175 imagens) e 20% (2,720 imagens), respectivamente. O critério de avaliação considerado foi a média das acurácias por classe. Os melhores resultados obtidos, foram alcançados pela arquitetura GoogLeNet treinada com imagens sem pré-processamento e sem aumento do conjunto de dados, resultando em 98.17% de acurácia, o que supera os resultados apresentados em outros trabalhos na literatura. Entretanto, os resultados experimentais permitem concluir que o aumento de dados, com o alargamento de contraste seguido pela centralização de dados é significativo para obter bons resultados com a rede AlexNet e, principalmente, a LeNet-5. |
| Palavras-chave | Redes neurais convolucionais, células HEp-2, classificação de padrões de coloração |
| Forma de apresentação..... | Painel, Oral |