Registro de imagens de retina via aprendizado profundo não-supervisionado

• Ano de defesa: 2022
• Autor(a) principal: Benvenuto, Giovana Augusta
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Redes neurais (computação); Processamento de imagens; Processamento de imagem assistida por computador; Retina; Neural networks (computer science); Image processing; Computer-assisted image processing
• Link de acesso: http://hdl.handle.net/11449/217619

O problema de registro de imagens consiste em encontrar uma transformação geométrica que possibilite alinhar duas ou mais imagens. Este problema é importante no contexto médico, onde é comum o uso de exames recorrentes a partir da captura e armazenamento de imagens a fim de amparar diagnósticos e monitorar o progresso de doenças, principalmente em especialidades como a oftalmologia. Nessa frente, são utilizadas imagens de retina (fundus) que, em diversas circunstâncias, precisam ser comparadas com imagens adquiridas em diferentes instantes ou, ainda, por aparelhos distintos, o que torna essa tarefa difícil de ser conduzida manualmente. Os avanços da tecnologia permitiram um crescimento na literatura de registro de imagens, que emprega técnicas de Inteligência Artificial para a resolução desse problema. Apesar dos recentes progressos nessa linha, não há um consenso a respeito de uma metodologia ideal para uso sistemático diário de uma ferramenta de registro por profissionais oftalmologistas. Neste trabalho, foi abordada a classe de imagens médicas de fundus a partir da proposta de um framework computacional para realizar a tarefa de registro por meio de uma Rede Neural Convolucional combinada a um módulo de Transformação Espacial. Uma métrica de similaridade foi também explorada para calcular a perda da rede, de forma a originar um pipeline de aprendizado completamente não-supervisionado, isto é, que descarta o uso de dados de ground-truth na realização desta tarefa. Os experimentos realizados demonstraram que o método proposto, depois de treinado, foi capaz de lidar com diferentes categorias de imagens de fundus, apresentando resultados superiores quando comparado com métodos recentes de Otimização e de Aprendizado Profundo presentes na literatura.