Aprendizado federado: Estudo da influência de artefatos sobre o modelo central na análise de microcalcificações por mamografia

• Ano de defesa: 2023
• Autor(a) principal: Costa, Heráclio Almeida da
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso embargado
• Idioma: por
• Instituição de defesa: Universidade Estadual da Paraíba; Pró-Reitoria de Pós-Graduação e Pesquisa - PRPGP; Brasil; UEPB; Programa de Pós-Graduação Profissional em Ciência e Tecnologia em Saúde - PPGCTS
• Palavras-chave em Português: Federated learning; Machine learning; Mammography; Image artifacts; Aprendizado de máquinas; Aprendizado federado; Artefatos de imagem; Mamografia; ENGENHARIAS::ENGENHARIA BIOMEDICA
• Link de acesso: http://tede.bc.uepb.edu.br/jspui/handle/tede/4650

Contexto: O crescente uso de técnicas de aprendizado de máquinas na área de diagnóstico médico levanta questionamentos sobre a segurança de dados sensíveis dos pacientes e sobre compartilhamento de dados para treinamento, fomentando o estudo de soluções inovadoras para tais problemas. A técnica de aprendizado federado permite o compartilhamento de informações para treinamento de algoritmos em colaboração multicêntrica, com agregação num servidor central destas informações sem a necessidade de compartilhamento dos bancos de dados, protegendo dados sensíveis e eliminando a necessidade de grande fluxo de dados para transmissão. Entretanto, existe desconhecimento por parte do servidor central a respeito da composição dos bancos de dados usados para treinamento. Quando do uso de redes convolucionais para diagnóstico por imagem, a falta de conhecimento do servidor diz respeito em especial à qualidade das imagens utilizadas e presença de artefatos. Objetivos: Avaliar a influência de artefatos de imagem no treinamento de um algoritmo de aprendizado de máquinas usando a técnica de aprendizado federado. Métodos: Utilizando-se imagens de mamografia, procedeu-se simulação de artefatos de movimento e de artefatos de poeira, avaliando-se diferentes cenários de treinamento. Uma rede neural convolucional de código aberto foi adaptada para classificar as imagens em 03 categorias: imagens sem microcalcificações; imagens com microcalcificações benignas; e imagens com microcalcificações suspeitas. Os treinamentos foram realizados antes e depois da adição dos artefatos simulados. Resultados: A adição de artefatos a imagens nos bancos de dados para treinamento resultou em influência no desempenho no algoritmo utilizado, variando em função do tamanho do banco de dados e do tipo de artefato, com potenciais efeitos benéficos. Conclusão: A utilização de imagens com artefatos na composição dos bancos de dados pode beneficiar o treinamento de algoritmos de aprendizado de máquina por técnica de aprendizado federado.