DEFESA DE TESE DE DOUTORADO Nº 17

Aluno: Rodrigo Felipe Albuquerque Paiva de Oliveira

Título: “OrGANiCells: Um Framework para Orquestração de Estratégias de Regularização de Instabilidades de Redes Adversariais Generativas para Pipelines de Síntese de Imagens de Células do Sangue”

Orientador: Carmelo José Albanez Bastos Filho - (PPGEC)

Examinador Externo: Fernando José Ribeiro Sales - (UFPE)

Examinador Externo: Felipe Silva Ferraz - (UFPE)

Examinador Externo: Rodrigo de Paula Monteiro - (UPE)

Examinador Interno: Diego Marconi Pinheiro Ferreira Silva - (PPGEC)

Data-hora: 28 de março de 2024, às 13:00h.
Local:Formato Remoto - Google Meet.


Resumo:

         Uma das principais tarefas na análise de exames clínicos é detectar padrões para diagnosticar doenças com mais precisão. No entanto, técnicas de aprendizado profundo exigem uma grande quantidade de dados para generalizar suas previsões. As abordagens clássicas de geração de imagens sintéticas não possuem a diversidade necessária nos novos exemplos gerados. Essa restrição implica na assertividade dos modelos, pois eles carecem de recursos que representem o domínio completo das imagens originais, como observado na literatura. Uma abordagem alternativa para gerar imagens representando novas entidades a partir de um conjunto de imagens é aplicar GAN (Redes Adversárias Generativas) para criar novos conjuntos de dados a partir de amostras reais. O presente trabalho propõe um framework para gerar imagens sintéticas de células brancas do sangue com estratégias de orquestração para regularizar as instabilidades conhecidas do GAN, o OrGANiCells. Durante nossos experimentos, desenvolvemos um detector de instabilidade capaz de orquestrar estratégias de regularização dinamicamente na pipeline de geração de imagens sintéticas. Além disso, incluímos uma etapa de avaliação da qualidade supervisionada por especialistas humanos. Para avaliar o conjunto de dados sintéticos, misturamos aleatoriamente imagens geradas pela pipeline OrGANiCells com exemplos do conjunto de dados de imagens do mundo real e apresentamos aos profissionais biomédicos uma avaliação em relação à categorização dos tipos celulares. A avaliação cega dos profissionais biomédicos em relação à percepção da qualidade das amostras geradas pelo GAN apresentou resultados satisfatórios ao comparar a acurácia do conjunto de dados real (88,61%) com a acurácia do conjunto de dados gerado (71,66%) em todo o experimento. Apesar desse resultado, do ponto de vista da avaliação da diversidade e originalidade das amostras geradas pelo OrGANiCells, é necessário investigar métricas que atestem quantitativamente a eficácia dessa implementação.

Go to top Menú