Uso de mapas de ativação de classe em CNN: em estudo envolvendo a classificação de imagens H&E
Carregando...
Data
Autores
Orientador
Neves, Leandro Alves 
Coorientador
Pós-graduação
Curso de graduação
Ciência da Computação - IBILCE
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
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.
Resumo (inglês)
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.
Descrição
Palavras-chave
Processamento de imagens, Redes neurais (Computação), Reconhecimento de padrões, Cólon (Anatomia) Câncer, Image processing, Neural networks (Computer science), Pattern recognition, Colon (Anatomy) Cancer
Idioma
Português
