Linha de pesquisa: Ciência de Dados

Resumo: As lesões da cavidade oral podem ser classificadas em diferentes graus pelo especialista. No entanto, devido a carga de trabalho e nível de experiência essa tarefa pode estar sujeita a subjetividade. Uma forma de auxiliar o especialista nessa tarefa nos últimos anos, tem sido o emprego de sistemas computacionais como ferramenta suplementar para tomada de decisão do especialista. Neste trabalho, é apresentado uma abordagem para classificar lesões da cavidade oral com base em descritores obtidos da geometria fractal, modelos de redes neurais convolucionais e um ensemble learning. Na primeira etapa, o algoritmo gliding-box foi aplicado para obtenção dos descritores locais da geometria fractal em uma análise em multiresolução. Esse vetor de atributos foi remodelado para uma matriz 2D usando representações baseadas em gráfico de recorrência, markov transition field e self-similarity matrix. As matrizes 2D foram utilizadas como entrada para as redes convolucionais ResNet-50 e EfficientNet. Nesse estudo, foi investigado o impacto da otimização das camadas totalmente conectadas dessas estruturas. Finalmente, os modelos ensemble learning dos classificadores com a regra da soma foram aplicados aos conjuntos de dados. A eficiência da metodologia proposta foi analisada em um conjunto de dados composto por 74 regiões de interesse em displasia epitelial oral categorizadas entre as classes saudável, leve, moderada e grave. O método proposto utilizou a técnica de validação cruzada e obteve taxas de acurácia de até 98,6%. Essa abordagem torna-se uma ferramenta complementar para aplicação na prática clínica, auxiliando o especialista na tomada de decisão em relação à classificação das lesões.

Link para a defesa: https://teams.microsoft.com/l/meetup-join/19:meeting_YjIxMzJmMzMtY2VjNi0...