Banca de QUALIFICAÇÃO: Edilaine Gonçalves Costa de Faria

Deep Learning and Knowledge Transfer Applied to Brain Cancer Diagnosis

Tumor cerebral, ressonância magnética, extração de características, classificação, aprendizado de máquina, aprendizado profundo, transferência de conhecimento.

Para evitar possíveis complicações geradas pelo tumor cerebral, um dos métodos de diagnóstico é a avaliação médica de imagens de ressonância magnética, que se tornou possível devido aos avanços tecnológicos. Portanto, com esses avanços e o objetivo de automatizar esse procedimento para auxiliar os médicos, este trabalho concentrou-se em desenvolver algoritmos para auxiliar no diagnóstico de tumores cerebrais. Neste trabalho, é desenvolvido um sistema capaz de identificar três tipos diferentes de tumores cerebrais: meningioma, glioma e hipófise. Para isso foram utilizadas diferentes estratégias de aprendizagem profunda, tais como aumento de dados com modelos tradicionais e pré-treinados, extração de características seguida da classificação e transferência de conhecimento. Os resultados obtidos ficaram próximos aos resultados da literatura. Sendo que, o uso de aprendizado profundo em modelos de transferência de conhecimento proporcionou melhores resultados, com uma acurácia de até 96,8%, neste caso a precisão resultou em 96,8%, recall em 94,8% e medida-F em 95,6%, utilizando Densenet 121. Como resultado, determinou-se que as estratégias empregadas são eficientes para esta aplicação de diagnóstico de tumores cerebrais. Entretanto, diante das dificuldades e desvantagens obtidas nos modelos utilizados neste estudo, propõe-se, em continuidade a este trabalho, aprofundar-se em diferentes modelos para a classificação de imagens de ressonância magnética (MRI) e posteriormente, aprimorar os resultados estatísticos. Visto que separando em diferentes cortes o número de imagens é reduzido consideravelmente, além da presença do overfitting. Além disso, avaliar a possibilidade de utilizar outros bancos de dados de MRI de tumor cerebral e utilizar arquiteturas de CNN mais simples possíveis, que possam ser treinadas com bases de dados com quantidade de imagens reduzida.