Banca de DEFESA: LUÍS HENRIQUE SILVA VOGADO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: LUÍS HENRIQUE SILVA VOGADO
DATA: 27/03/2020
HORA: 14:00
LOCAL: Sala de aula do PPGCC
TÍTULO: "LeukNet" - Um Modelo de Rede Neural Convolucional Para o Diagnóstico de Leucemia
PALAVRAS-CHAVES: classificação da leucemia. imagens de lâminas de sangue. convolutional neural networks. ajuste-fino.
PÁGINAS: 58
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Sistemas de Computação
RESUMO:

O uso eficiente da tecnologia para o desenvolvimento de sistemas médicos auxilia na redução de custos, além de promover o diagnóstico precoce de doenças. A leucemia é um distúrbio que afeta a medula óssea, causando a produção descontrolada de leucócitos, prejudicando o transporte de oxigênio e causando problemas de coagulação sanguínea. Um hemograma completo ou análise de imagem morfológica é frequentemente utilizado para identificar  células com leucemia. No entanto, esses métodos podem ser demorados e propensos a erros humanos. Dessa forma, neste trabalho é apresentada uma metodologia para o desenvolvimento de um modelo para diagnosticar leucemia em imagens de lâminas de sangue usando técnicas de validação cross-dataset que oferecem novas diretrizes para implantação e avaliação de tais sistemas. A LeukNet é uma Rede Neural Convolucional (RNC) (Convolutional Neural Network - CNN) que auxilia no diagnóstico de leucemia e inclui uma arquitetura baseada nos blocos convolucionais VGG-16, com camadas densas mais compactas, usando estratégias de transferência de aprendizado com deeply fine-tuning. Para definir o modelo e os pesos da LeukNet, diferentes arquiteturas e métodos de ajuste fino foram avaliados utilizando 18 bases de dados. Ao todo, foram usadas 3536 imagens de diferentes fontes e com características distintas de cor, textura, contraste e resolução. A técnica de validação cross-datasetLeave-One-Dataset-Out Cross-Validation (LODOCV) foi proposta para avaliar a capacidade de generalização do modelo. As acurácias obtidas por meio do LODOCV com as bases ALL-IDB 1, ALL-IDB 2 e UFG como conjuntos de testes foram 97,04%, 82,46% e 70,24%, respectivamente. Para permitir a comparação do modelo proposto com o estado da arte, o k-fold cross validation foi executado, alcançando 98,24% de acurácia. Esses resultados são consistentes quando comparados com o estado da arte. O uso da avaliação do LODOCV demonstrou a necessidade de uma nova avaliação para uma melhor capacidade de generalização, permitindo que um modelo funcione satisfatoriamente mesmo em dados não vistos, o que é fundamental para os sistemas CAD.

MEMBROS DA BANCA:
Interno - 1350246 - KELSON ROMULO TEIXEIRA AIRES
Interno - 1642492 - LAURINDO DE SOUSA BRITTO NETO
Externo à Instituição - MOACIR ANTONELLI PONTI - USP
Presidente - 1579396 - RODRIGO DE MELO SOUZA VERAS