|
Resumo do trabalho
|
Sistemas de Recuperação de Imagens Baseados em Conteúdo (CBIR) têm sido utilizados na Patologia Digital, impulsionados pelo aumento da quantidade e diversidade de
imagens médicas disponíveis para análise. Com o avanço das ferramentas digitais, esses
sistemas oferecem suporte aos métodos de análise médica, permitindo buscas eficientes
por imagens histopatológicas com diagnósticos semelhantes à imagem de consulta. Apesar do grande potencial dessas ferramentas, ainda há desafios significativos no campo
de recuperação de imagens que precisam ser endereçados. O problema a ser resolvido
é exemplificado pela dificuldade de recuperação de imagens que compartilham as mesmas características semânticas, porém apresentam discrepâncias visuais na coloração e
textura. Isso é normalmente observado em biópsias que, embora exibam o mesmo tipo
de lesão celular, podem apresentar variações em colorações e morfologia devido ao uso
de diferentes corantes, como Hematoxilina-Eosina (HE) e Ácido Periódico-Schiff (PAS).
Para abordar esses desafios, sistemas tradicionais de recuperação de imagens médicas
utilizam descritores baseados em cor, textura e forma, que são convertidos em vetores de
características para o cálculo de similaridade. Com os avanços em aprendizado profundo,
abordagens de aprendizado por representação têm sido empregadas para desenvolver modelos que extraem características discriminativas aprendidas automaticamente, utilizando
funções de perda que, num espaço euclidiano, minimizam a distância entre imagens de
classes semânticas similares e maximiza distância entre imagens de classes semânticas
diferentes. Contudo, a discriminação precisa de instâncias e a recuperação de imagens
com atributos semânticos similares ainda representam desafios. Este trabalho de dissertação dá continuidade à pesquisa do grupo Ivisionlab, explorando a possibilidade de
aprimoramento do sistema CBIR existente, por meio da fusão de características de espaço
latente com atributos semânticos, utilizando um mecanismo de atenção cruzada para destacar as características mais relevantes no cálculo da similaridade entre imagens médicas.
Com isso, espera-se recuperar imagens mais relevantes para o Médico Patologista a partir
de uma imagem de consulta, contribuindo significativamente para o avanço da área de
recuperação de imagens médicas
|
|---|
