Bioeconomia: Diversidade e Riqueza para o Desenvolvimento Sustentável

22 a 24 de outubro de 2019

Trabalho 12786

ISSN 2237-9045
Instituição Universidade Federal de Viçosa
Nível 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 PIBIC/CNPq
Conclusão de bolsa Sim
Apoio financeiro CNPq
Primeiro autor Gabriel Alves dos Santos Ferreira
Orientador JOÃO FERNANDO MARI
Outros membros LARISSA FERREIRA RODRIGUES
Título Estudo de redes neurais convolucionais para classificação de objetos em imagens de microscopia
Resumo O câncer de mama é o segundo tipo de câncer mais recorrente no Brasil, com mais de 68.200 casos estimados entre 2018 e 2019. Existem diversos métodos para identificar se um tumor é maligno ou benigno, entre eles o autoexame de mama, mamografia, ressonância magnética, etc. Entretanto, o único método que permite ter certeza quanto à natureza do tumor é a biópsia, método que consiste na retirada de uma amostra do tecido da região suspeita para analise histopatológica por meio de microscopia. Tal analise consome muito tempo por parte dos patologistas e o diagnóstico pode ser comprometido pela fadiga e pela subjetividade do processo. As Redes Neurais Convolucionais (RNCs) consistem no estado da arte em tarefas de classificação e reconhecimento de imagens. Neste trabalho foram avaliadas três arquiteturas de RNCs para classificação binária de imagens histopatológicas de tumores como malignos ou benignos, sendo elas: AlexNet, ResNet101 e DenseNet121. Realizou-se a otimização dos hiperparâmetros e o impacto de estratégias de aumento de dados foi avaliado. Para a realização dos experimentos utilizou-se o conjunto de imagens BreakHis. Desenvolvido pela UFPR, o BreakHis é composto por 7.909 imagens histopatológicas obtidas de 82 pacientes com diferentes magnificações (40x, 100x, 200x e 400x) e divididas em duas classes: tumores malignos e benignos. O BreakHis fornece cinco divisões aleatórias das imagens por paciente, em conjunto de treino (58 pacientes) e de testes (24 pacientes). Os experimentos foram realizados para cada uma das arquiteturas de RNC e para cada uma das cinco divisões do conjunto de dados. Os resultados das classificações foram avaliados de acordo com média das acurácias em nível de paciente e (PLA) e acurácia em nível de imagens (ILA) para as divisões aleatórias. Os valores dos seguintes hiperparâmetros foram selecionados utilizando o método grid-search sobre o conjunto de validação, composto por 20% das imagens do conjunto de treino: a) tamanho do lote; b) taxa de aprendizagem inicial; c) momentum; d) tamanho do passo. Após a escolha dos hiperparâmeteros, um conjunto de estratégias de treinamento foi utilizado para gerar os modelos, que foram avaliados usando o conjunto de testes: i) treinamento do inicio sem aumento de dados, ii) com aumento de dados off-line, iii) com aumento de dados on-line, iv) combinando aumento de dados off-line e on-line e v) treinamento por transferência de aprendizado com aumento de dados off-line e on-line. A arquitetura ResNet treinada com transferência de aprendizado obteve os melhores resultados, com acurácia PLA de 85,76% e ILA de 86,32% considerando todas as magnificações do conjunto de testes. Considerando as imagens com magnificação de 200x, o melhor resultado foi obtido pela ResNet com a mesma estratégia de treinamento, resultando em acurácia PLA de 88,97%. Os resultados obtidos são muito próximos aos do estado da arte.
Palavras-chave câncer de mama, redes neurais convolucionais, classificação de imagens histopatológicas
Forma de apresentação..... Oral
Gerado em 0,67 segundos.