Defesa de doutorado da discente Débora Diniz, dia 26/09/2023, as 14h.

Defesa de doutorado da discente Débora Diniz, dia 26/09/2023, as 14h.

Título: Contributions to automating the analysis of conventional Pap smears
Resumo: Esta tese, organizada no formato de coletânia de artigos, desenvolve e apresenta contribuições para a análise automática de lâminas convencionais do exame de Papanicolaou. As principais contribuições estão relacionadas à detecção e classificação dos núcleos das células cervicais, com o objetivo de desenvolver uma ferramenta de suporte à decisão para citopatologistas. O primeiro artigo originado através desta pesquisa utiliza uma metodologia hierárquica utilizando Random Forest para a classificação de núcleos das bases de dados Herlev e CRIC Searchable Image Database utilizando 232 handcrafted features. Neste artigo investigamos as técnicas de balanceamento SMOTE, Borderline-SMOTE e SVM SMOTE, performamos análises estatísticas utilizando Shapiro-Wilk e Kruskal-Wallis e introduzimos a base de segmentação do CRIC Searchable Image Database. Nosso resultado é o estado-da-arte em cinco métricas para a classificação dos núcleos em cinco e sete classes, além de ser o estado-da-arte em termos de precisão e F1-score para a classificação em duas classes. O segundo artigo introduz um método para detecção de núcleos em imagens sintéticas do exame de Papanicolaou da base do Overlapping Cervical Cytology Image Segmentation Challenge proposta no 11th International Symposium on Biomedical Imaging (ISBI'14). Neste segundo artigo investigamos os algoritmos de clusterização watershed, k-means e Canny edge detection para segmentar a imagem. Também investigamentos quatro técnicas tradicionais de aprendizado de máquina (DT, NC, k-NN e MLP) para realizar a classificação e propusemos um método ensemble utilizando DT, NC e k-NN. Nosso resultado é o estado-da-arte em termos de revocação utilizando a base de dados. O terceiro artigo propõe um método ensemble utilizando EfficientNets B1, B2 e B6 para classificar imagens da base de classificação do CRIC Searchable Image Database. Nele, investigamos 10 arquiteturas de redes neurais para escolher quais seriam utilizadas no método ensemble e também apresentamos uma metodologia para aumento de dados utilizando técnicas de transformações nas imagens. Nosso resultado é o estado-da-arte em cinco métricas para a classificação dos núcleos em duas e três classes. Além disso, introduzimos os resultados para a classificação em seis classes. Por fim, o quarto artigo apresenta o Cytopathologist Eye Assistant (CEA), uma ferramenta intuitiva e fácil de usar que emprega deep learning para detectar e classificar células cervicais das imagens do exame de Papanicolaou, suportando os citopatologistas a dar o diagnóstico. Investigamos a YOLOv5 e a YOLOR realizar ambas tarefas (detecção e classificação) e também investigamos a combinação de utilizar a YOLOv5 para detecção e o ensemble de EfficientNets do terceiro artigo para a classificação. O artigo explora as técnicas de balanceamento de dados undersampling e oversampling utilizando a biblioteca Clodsa do Python. A base de dados CRIC Cervix foi utilizada para avaliação da ferramenta, considerando quatro cenários: imagens originais, imagens redimensionadas, imagens redimensionadas aumentadas e imagens redimensionadas balanceadas. A aplicação do CEA foi validada por especialistas com anos de experiência em citopatologia e eles destacaram a facilidade de uso da ferramenta e e seu potencial para responder a consultas específicas.
Data da defesa: 26/09/2023
Horário da defesa: 14 horas
Banca examinadora: Prof. Dr. Rodrigo Veras, Prof. Dr. Jefferson Souza, Prof. Dr. Gustavo Pessin, Prof. Dr. Eduardo Luz, Prof. Dra. Claudia Carneiro
Suplentes: Prof. Dra. Fátima Medeiros, Prof. Dr. Jadson Gertrudes
Link: https://meet.google.com/gbn-txms-gvp