Linha de pesquisa: Ciência de Dados

Resumo: Os sistemas de apoio diagnóstico desempenham um papel importante como ferramenta complementar para a identificação e reconhecimento de padrões em imagens histológicas. A textura é um tipo de características que pode fornecer medidas de propriedades como suavidade e regularidade da imagem. Técnicas de extração de características baseadas na geometria fractal permitem quantificar propriedades de autossimilaridade presentes nas imagens. No entanto, novos estudos mostraram que o uso de informações obtidas de mapas de características aprendidos pode maximizar os resultados dos classificadores clássicos. Esta pesquisa propõe um método de classificação baseado em um algoritmo polinomial de base Hermite associado a descritores obtidos através de geometria fractal, características aprendidas e técnicas de inteligência artificial explicável obtidas a partir de imagens histológicas. Os resultados foram avaliados por meio de diversas métricas. Para os conjuntos de dados de imagens investigados, a abordagem proposta forneceu valores de acurácia de aproximadamente 99% e para a métrica de precisão em conjuntos desbalanceados de 0,99. Esses resultados foram comparados com outros algoritmos de aprendizado de máquina. A estratégia proposta que associa os descritores aprendidos, método de regularização e algoritmo polinomial de Hermite pode contribuir para a classificação de lesões histológicas, auxiliando na tomada de decisão de especialistas na prática clínica.

Link para a defesa: https://teams.microsoft.com/l/meetup-join/19:meeting_MWQ4NjQzNWQtZWY5Ni0...