Aprendizado de representações de textura com redes neurais randomizadas para análise de imagens de biossensores

Abstract

A análise de imagens de biossensores para o diagnóstico de doenças emergiu como uma nova modalidade de detecção em adição às técnicas físico-químicas tradicionais. Essas imagens são dotadas de rico conteúdo microtextural e compõem conjuntos de dados ínfimos em relação aos conjuntos de dados de larga escala conhecidos; necessitando, assim, de técnicas de aprendizado de representações de texturas com baixo custo computacional, que demandem poucos dados e que caracterizem eficientemente os padrões microtexturais. Embora estudos recentes têm investigado o uso de técnicas de redes neurais randomizadas para abordar tais imagens, esses se limitaram a modalidade específica de regressão dessa rede, de modo que, a capacidade total de aprendizado da rede neural randomizada não foi totalmente explorada. Nesse sentido, para abordar tais questões, esta dissertação de mestrado está organizada em duas frentes de pesquisa. A primeira frente investiga novas técnicas com redes neurais randomizadas propondo melhorias em: (i) novas formas de cruzamento de dados, (ii) melhores sumarizações estatísticas dos pesos aprendidos que compõe a representação final; (iii) uso da modalidade multialvo e autoencoder; e (iv) alterações arquiteturais com foco em aprendizado textural. A segunda frente tem como objetivo desenvolver técnicas que combinam redes neurais randomizadas e modelos pré-treinados, de modo a angariar o conhecimento desses modelos por meio de transferência de aprendizado, empregando a rede neural randomizada para melhorar a transferibilidade das características no novo domínio de análise de texturas. Para isso, propõe-se a investigação de: (v) novas formas de modelagem dos mapas de ativação profundos; e (vi) melhor seleção dos estágios do modelo para angariar somente as características texturais mais importantes. Os métodos desenvolvidos foram avaliados em quatro conjuntos de dados de textura de benchmark, no contexto de tarefas de reconhecimento textural, e aplicados a conjuntos de imagens de biossensores, demonstrando, assim, sua aplicabilidade prática. Além disso, os resultados obtidos evidenciam uma maior capacidade textural e, sobretudo, como as contribuições metodológicas se traduzem na prática para o auxílio de um problema de elevada relevância social. Portanto, torna-se evidente que as abordagens desenvolvidas não apenas contribuem para os campos da visão computacional e do reconhecimento de padrões, como também para as áreas médica, biológica e de ciência dos materiais.

The analysis of biosensor images for disease diagnosis has emerged as a new detection modality in addition to traditional physicochemical techniques. These images exhibit rich microtextural content and comprise datasets that are small compared to well-known large-scale datasets; thus, they require texture representation learning methods with low computational cost, minimal data requirements, and efficient characterization of microtextural patterns. Although recent studies have investigated the use of randomized neural network techniques to address such images, these have been limited to a specific regression modality of this network, such that the full learning capacity of randomized neural networks has not been yet fully explored. In this regard, to address these issues, this master's dissertation is organized into two research areas. The first research area investigates novel techniques based on randomized neural networks by proposing improvements in: (i) new strategies to cross information; (ii) better statistical summarizations of the learned weights that compose the final representation; (iii) the use of multi-target and autoencoder modalities; and (iv) architectural modifications with a focus on texture learning. The second research area aims to develop techniques that combine randomized neural networks with pre-trained models in order to leverage the knowledge of these models through transfer learning, employing randomized neural networks to improve the transferability of features to the new texture analysis domain. To this end, the investigation focuses on: (v) novel strategies for modeling deep activation maps; and (vi) improved selection of model stages to capture only the most relevant textural features. The developed methods were evaluated on four benchmark texture datasets in the context of texture recognition tasks and applied to biosensor image datasets, thereby demonstrating their practical applicability. Furthermore, the results highlight an enhanced texture characterization capability and, above all, illustrate how the proposed methodological contributions translate into practice to support a problem of a high social relevance. Therefore, it becomes evident that the developed approaches not only contribute to the fields of computer vision and pattern recognition, but also to the medical, biological and material science domains.