Banca de DEFESA: CLEVERSON MARQUES VIEIRA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : CLEVERSON MARQUES VIEIRA
DATA : 28/02/2024
HORA: 09:00
LOCAL: DCOMP
TÍTULO:

Inteligência Artificial Explicável (XAI) aplicada na classificação de imagens de retinografia para apoio no diagnóstico do Glaucoma.

PALAVRAS-CHAVES:

Inteligência Artificial, Aprendizado de Máquina, Inteligência Artificial Explicável, Glaucoma.

PÁGINAS: 122
RESUMO:

Modelos de aprendizado de máquina estão sendo utilizados extensivamente em diversas áreas do conhecimento e possuem inúmeras aplicações em quase todos os segmentos da atividade humana. Na área da saúde, o uso de técnicas de inteligência artificial tem revolucionado o diagnóstico de doenças com excelentes desempenhos na classificação de imagens. Embora esses modelos tenham alcançado resultados extraordinários, a falta de explicabilidade das decisões tomadas pelos modelos tem sido uma limitação significativa para a adoção generalizada dessas técnicas na prática clínica. O glaucoma é uma doença ocular neurodegenerativa que pode levar à cegueira de forma irreversível. A sua detecção precoce é crucial para prevenir a perda de visão. A detecção automatizada do glaucoma tem sido objeto de intensa pesquisa em visão computacional com diversos estudos propondo o uso de redes neurais convolucionais (CNNs) para analisar automaticamente imagens de fundo de retina e diagnosticar a doença. No entanto, essas propostas carecem de explicabilidade, o que é crucial para que os oftalmologistas compreendam as decisões tomadas pelos modelos e possam justificá-las aos seus pacientes. Este trabalho tem a finalidade de explorar e aplicar técnicas de inteligência artificial explicável (XAI) em diferentes arquiteturas de CNNs para a classificação do glaucoma e fazer uma análise comparativa sobre quais métodos de explicação fornecem os melhores recursos para a interpretação humana, servindo de apoio no diagnóstico clínico. Uma abordagem para interpretação visual denominada SCIM (SHAP-CAM interpretable mapping) é proposta demonstrando resultados promissores. Os experimentos preliminares indicam que, em um olhar não clínico, as técnicas de interpretabilidade baseadas em mapeamento de ativação de classe com gradientes ponderados (Grad-CAM), assim como a abordagem proposta (SCIM), aplicadas na arquitetura VGG19 fornecem os melhores recursos para a interpretabilidade humana.

MEMBROS DA BANCA:
Presidente - 2325597 - DIEGO ROBERTO COLOMBO DIAS
Interno - 1674068 - LEONARDO CHAVES DUTRA DA ROCHA
Interno - 1985872 - EDIMILSON BATISTA DOS SANTOS
Externo à Instituição - RODRIGO BONACIN