Classificação de imagens histológicas explorando deep-learned features de representações DeepDream e IA explicável

• Autor(a) principal: Martinez, João Manoel Cardoso
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: https://hdl.handle.net/11449/252048
• topic: Redes neurais convolucionais; Reconhecimento de padrões; Representações DeepDream; XAI; Imagens histológicas; Convolutional neural networks; Deep features; Pattern recognition; Deep-Dream representations; Histological images

A aplicação de métodos de aprendizado de máquina para a análise de imagens histológicas tem proporcionado avanços significativos em diagnósticos auxiliados por computador. Neste trabalho, um estudo foi realizado para classificar padrões existentes em amostras histológicas coradas com hematoxilina-eosina, representativas de câncer de mama, câncer colorretal, tecido hepático e displasia oral. O método proposto explorou redes neurais convolucionais (VGG19, ResNet50, Inception V3 e Efficientnet B2), gradient-weighted class activation mapping, explicações por modelo agnóstico de interpretação local e representações baseadas no efeito inceptionism (DeepDream). As deep featuresforam analisadas via múltiplos classificadores (rotation forest, multilayer perceptron, logistic, random forest, decorate, k-nearest neighbor, KStar e support vector machine) com o intuito de indicar as melhores associações. A melhor solução foi obtida por meio da rede ResNet50 com representações extraídas da VGG19, explorando vetores de características com 40 e 100 atributos. Os resultados apresentaram taxas de AUC variando de 0.994 (UCSB) a 1 (CR). As deep features mais exploradas foram obtidas por meio das imagens originais (maior ocorrência), seguidas pelas representações geradas por explicações de modelo agnóstico de interpretação local, DeepDream e gradient-weighted class activation mapping. Estes resultados podem apoiar o desenvolvimento de técnicas voltadas ao reconhecimento de padrões de imagens H&E, com maior robustez em diagnósticos auxiliados por computador.