Associação de redes adversárias generativas e inteligência artificial explicável para análise de imagens H&E via vision transformers

• Main Author: Borgue, Vinicius Augusto Toreli [UNESP]
• Publication Date: 2025
• Format: Bachelor thesis
• Language: por
• Source: Repositório Institucional da UNESP
• Download full: https://hdl.handle.net/11449/316149
• topic: Redes neurais (Computação); Inteligência artificial Aplicações médicas; Processamento de imagens; Histopatologia; Artificial neural networks; Artificial intelligence Medical applications; Image processing; Histopathology

Este trabalho propôs uma abordagem para aprimorar a geração e o aumento artificial de dados em imagens histopatológicas utilizando Generative Adversarial Networks (GANs) integradas a técnicas de Explainable AI (XAI). Foram utilizadas arquiteturas de GANs como DCGAN, RaGAN e WGAN-GP, combinadas com métodos de explicabilidade, como Saliency, DeepLIFT e InputXGradient, com o objetivo de incorporar informações interpretáveis no processo de geração de imagens sintéticas. A proposta foi avaliada em dois conjuntos de dados histológicos: um com amostras de câncer colorretal (CR) e outro com imagens de câncer de mama (UCSB). A qualidade das imagens geradas foi avaliada por meio das métricas FID (Frechet Inception Distance) e IS (Inception Score), enquanto o desempenho dos classificadores foi medido pela acurácia de modelos Transformers, incluindo ViT, DeiT e PVT. Os resultados demonstraram que o uso de XAI no treinamento das GANs pode reduzir o FID em até 26% e melhorar a acurácia dos classificadores em até 3,83% em comparação com modelos sem aumento de dados, e até 3,44% em relação ao uso de GANs sem XAI. A combinação DCGAN + Saliency + PVT obteve a maior acurácia (92,24%), seguida de WGAN-GP + InputXGrad + PVT (92,13%). Esses achados destacam o potencial do uso conjunto de XAI e GANs na geração de dados sintéticos mais eficazes, contribuindo para avanços na classificação de imagens médicas em cenários com limitação de dados.