Pular para o conteúdo
Even3

Deep Learning e Redes Neurais Convolucionais na Imagem Médica

Trecho de 1 min 57 s de Inteligência Artificial no Diagnóstico por Imagem, gravado no evento XXXVII SEMANA DA FÍSICA UFG: O Impacto Social da Informação e da Tecnologia Quântica.

Assistir à gravação completaNo Even3 Conteúdos · 2 h 54 min

Sobre este trecho

Veja como o aprendizado profundo elimina etapas manuais de extração de atributos e auxilia na predição de metástases em exames de imagem.

Vai de a da gravação.

O que é dito neste trecho

Vou falar rapidamente agora dessa tecnologia nova, que é o Deep Learning, que é o aprendizado profundo. Todos esses exemplos que eu mostrei, vocês viram que a gente faz pré-processamento, extração de atributos, seleção de atributos, classificação. A ideia do machine learning é tirar essa etapa inicial da jogada e trabalhar com redes que são redes mais profundas e fazer toda essa parte de extração de atributos, seleção e reconhecimento, tudo dentro da rede. Então a gente não faz mais isso que a gente chama de eu não vou lá e vou extrair um atributo de textura, mas eu vou pegar um conjunto de casos e vou treinar uma rede profunda para fazer o reconhecimento de tudo, para separar o que é importante nas imagens e depois ser treinado aqueles valores, né, que que ele separou, eh que no final gera um vetor de atributos, eh como aquilo se associa com uma classe ou com uma outra, né? Então são redes específicas que são com muitas camadas, né? Essa é uma tecnologia que começou a ser desenvolvida lá em 2006 por um pesquisador que é o Geoffrey Hinton, ele é muito famoso, mas que a partir de 2012 se fortaleceu muito. Ela é uma subclasse, né, do aprendizado de máquina, e a ideia é que em vez de fazer aquela cadeia toda eu jogo toda essa parte, desde a segmentação até a classificação dentro da rede. A na área de imagens a mais conhecida é o que a gente chama de rede neural convolucional, que são redes que trabalham com com filtros, né, convolucionais, que são filtros que você aplica na imagem, então você seleciona as regiões ali de interesse, você aplica filtros, né, a rede tem camadas de filtros, por exemplo, para fazer realce de borda, então cada vez que você aplica um filtro você gera uma nova imagem. Nessa nova imagem a gente aplica aplica uma camada que a gente chama de max pooling, que pega uma pequena região, seleciona os valores principais, gera uma nova imagem que vai para o novo filtro, depois um outro max pooling e assim por diante.

Outros trechos deste conteúdo