Linha de pesquisa: Ciência de Dados

Resumo: A displasia epitelial oral é uma condição pré-cancerosa que pode ser identificada por meio da análise de imagens histológicas, geralmente realizada por especialistas. No entanto, o alto volume de trabalho e a variabilidade na experiência clínica tornam esse processo sujeito à subjetividade. Como forma de apoio, ferramentas computacionais têm sido utilizadas com leitura suplementar para auxiliar na tomada de decisão. Este trabalho apresenta uma investigação entre diferentes métodos de normalização de corantes de Hematoxilina e Eosina (H&E) em imagens histológicas e o desenvolvimento de um segmentador de núcleos baseado em uma arquitetura da U-net com interpretabilidade das características. Foram testados métodos de normalização de corantes baseados em aprendizado de dicionário, os quais foram avaliados com quatro métricas distintas. Esses dados foram avaliados em uma arquitetura de segmentação baseada em uma U-Net modificada. Foi explorada a interpretabilidade dos descritores nas camadas internas do modelo com o objetivo de avaliar a influência da normalização e o melhoramento do desempenho da segmentação com a aplicação da técnica ProtoSeg. Os resultados mostraram que o método de normalização baseado em ED proporcionou valores médios de 0,897, 44,401, 0,898 e 0,973, respectivamente, para as métricas FSIM, PSNR, QSSIM e SSIM. Além disso, os resultados mostraram que há métodos de normalização que melhoraram a etapa de segmentação, alcançando valores de coeficiente Dice em torno de 0,7683. No entanto, quando aplicada a estratégia ProtoSeg em conjunto com a normalização, esses resultados não foram superiores. Esse estudo mostrou que a normalização de corantes H&E teve impacto positivo na segmentação apenas quando não é aplicada a interpretabilidade na segmentação.

Link para a defesa: https://teams.microsoft.com/l/meetup-join/19%3ameeting_ZTIyN2UwZWYtZTc1N...