Uso de mapas de ativação de classe em CNN: em estudo envolvendo a classificação de imagens H&E

Abstract

Sistemas computacionais de apoio a decisão têm sido amplamente explorados para o reconhecimento de padrões histopatológicos, contribuindo com diagnósticos e prognósticos mais precisos. Neste trabalho, imagens histológicas foram analisadas por meio de uma Rede Neural Convolucional (ResNet-50). As características obtidas da última camada convolucional foram utilizadas para representar mapas de ativação de classe. Cada mapa indicou as regiões de interesse mais exploradas no processo de classificação, proporcionando representações para explicar as predições. Adicionalmente, métricas de desempenhos e um índice de relevância foram extraídos para cada amostra, a fim de confirmar e/ou confrontar as taxas de acurácias fornecidas pela rede. Neste contexto, as informações obtidas são úteis para verificar possíveis padrões em diferentes tipos de imagens histológicas, contribuindo para o aprimoramento de estratégias computacionais ou de processos de avaliação por especialistas.

Computer-aided diagnoses have been widely explored for the recognition of histopathological patterns, contributing to more accurate decisions and prognoses. In this work, histological images were analyzed by using a Convolutional Neural Network (ResNet-50). The obtained features from the last convolutional layer were applied to represent class activation mapping. Each map indicated the most explored regions of interest in the classification process, providing representations to explain the predictions. In addition, metricas and a relevance index were defined for each classification in order to confirm and/or compare the accuracy rates provided by the network. In this context, the obtained information is useful to verify patterns in different types of histological images, contributing to the improvement of computational strategies or evaluation processes by specialists.