Classificação Automatizada de Câncer de Mama: Imagens Histopatológica
Seminário: Classificação Automatizada de Câncer de Mama: Imagens Histopatológica, com o Prof. Dr. Fabio Alexandre Spanhol (UTFPR Toledo)
Transmissão, 30/08, às 19:30: https://youtu.be/JGTNgfcuXXI
Resumo: O câncer é um grave problema de saúde pública mundial, registrando altas taxas de mortalidade e sobrecarga dos sistemas de saúde públicos e privados. Especialmente na população feminina, o câncer de mama surge como o segundo mais incidente e um dos tipos mais letais quando não devidamente diagnosticado e tratado. Apesar do progresso significativo alcançado pelas tecnologias de diagnóstico por imagem, a biópsia é a única maneira de diagnosticar com confiança se o câncer está realmente presente. O diagnóstico final do câncer de mama, incluindo graduação e estadiamento, ainda continua sendo feito por patologistas aplicando inspeção visual de imagens histológicas sob o microscópio. A análise histopatológica é uma tarefa altamente especializada, demorada, extremamente dependente da experiência dos patologistas e diretamente influenciada por fatores tais como fadiga e diminuição da atenção. Avanços recentes em técnicas de processamento de imagem e de aprendizado de máquina permitem construir sistemas CAD (Computer-Aided Diagnosis) que podem ajudar os patologistas a serem mais produtivos, objetivos e consistentes no processo de diagnóstico. Infelizmente, há também uma falta de bases de dados de imagem histológicas rotuladas abrangentes e públicas destinadas à pesquisa em sistemas CAD. Bases de dados rotuladas são cruciais para desenvolver e validar sistemas de aprendizado de máquina. Além disso, o desempenho da maioria dos sistemas de classificação convencionais depende da representação de dados apropriada e grande parte dos esforços são dedicados a engenharia de características, um processo difícil e demorado que usa o conhecimento prévio do especialista no domínio para criar características úteis. Assim, esta apresentação traz, de forma didática, uma abordagem alternativa para classificar estas imagens desafiadoras da base BreaKHis evitando qualquer segmentação explícita. Tal abordagem explora descritores texturais manuais e representação automática, particularmente empregando Redes Neurais Convolucionais (CNN), bem como o paradigma Aprendizado de Instâncias Múltiplas (MIL).
Bio: Doutor em Ciência da Computação (Universidade Federal do Paraná – UFPR, 2018), Mestre em Ciência da Computação (Universidade Federal de Santa Catarina – UFSC, 2002), Bacharel em Informática (Universidade Estadual do Oeste do Paraná – Unioeste, 1999). Foi desenvolvedor de software e analista de sistemas na Diretoria de Informática da Reitoria/Unioeste (2000-2003) e no Alvaro, Centro de Análises e Pesquisas Clínicas (2003-2009). Mais de 25 anos de experiência no magistério, tendo atuado no técnico profissionalizante, pós-médio, graduação e pós-graduação. Professor efetivo da UTFPR/campus Toledo desde 2009. Docente permanente e orientador no Programa de Pós-graduação em Ciência da Computação (PPGComp) da Unioeste, campus Cascavel. Atualmente dentre os interesses de pesquisa destacam-se visão computacional, aprendizado de máquina, reconhecimento de padrões e aprendizado profundo, smart cities, IoT e redes LoRaWAN.
