Publicação: Classificação de imagens histológicas utilizando algoritmo polinomial de base hermite e regularizador
Carregando...
Tipo do documento
Data
Direito de acesso
Coleções
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Martins, Alessandro Santana
Resumo
Os sistemas de apoio ao diagnóstico são cruciais para a análise de imagens histológicas, mas seu desempenho depende da extração de características robustas. Embora descritores de geometria fractal e de Inteligência Artificial Explicável (XAI) possuam relevância, estudos recentes apontam para a superioridade de características extraídas por aprendizagem profunda. Portanto, este trabalho propõe um sistema de classificação para imagens histológicas baseado no algoritmo Polinomial de Hermite (PH), associado a descritores de múltiplas fontes (geometria fractal, aprendizagem profunda e XAI). Para lidar com a alta dimensionalidade dos dados, o sistema integra um regularizador LASSO para seleção de atributos. A complexidade computacional inerente ao PH, por sua vez, é contornada por meio de uma implementação paralela que distribui o processo de treinamento e avaliação de múltiplos subconjuntos de características entre os núcleos da CPU. A avaliação experimental, realizada em bases de dados binárias e multiclasse, demonstrou a superioridade dos descritores extraídos da rede ResNet-50 (RN50) em relação às abordagens fractais e baseadas em XAI. Com os descritores RN50, a metodologia alcançou um desempenho com acurácia (ACC) de até 100% e métrica de precisão em conjuntos desbalanceados (IAM) de 1,00 em cenários de classificação de dados binários. Em bases de dados multiclasses, o valor de ACC foi superior a 98% e IAM 0,89. Adicionalmente, em testes de robustez em relação a ruídos, o sistema proposto manteve sua superioridade, apresentando acurácia significativamente maior que outros algoritmos de aprendizado de máquina mesmo com 50% de ruído nos atributos, tanto em cenários binários quanto multiclasses. Os resultados consolidam a combinação do classificador PH com regularização e descritores RN50 como uma abordagem de alta precisão e robustez, com potencial para auxiliar a decisão de especialistas na prática clínica.
Abstract
Diagnosis support systems are crucial for the analysis of histological images, but their performance depends on the extraction of robust features. Although fractal geometry and eXplainable Artificial Intelligence (XAI) descriptors hold relevance, recent studies point to the superiority of features extracted by deep learning. Therefore, this work proposes a classification system for histological images based on the Hermite Polynomial (HP) algorithm, associated with multi-source descriptors (fractal geometry, deep learning, and XAI). To handle the high dimensionality of the data, the system integrates a LASSO regularizer for feature selection. The computational complexity inherent to HP, in turn, is overcome through a parallel implementation that distributes the training and evaluation process of multiple feature subsets among CPU cores. The experimental evaluation, conducted on binary and multi-class databases, demonstrated the superiority of descriptors extracted from the ResNet-50 (RN50) network in a comparative analysis with fractal and XAI-based approaches. With the RN50 descriptors, the methodology achieved a performance with accuracy (ACC) of up to 100% and an imbalanced accuracy measure (IAM) of 1.00 in binary data classification scenarios. In multi-class databases, the ACC value was higher than 98% and the IAM was 0.89. Additionally, in robustness tests against noise, the proposed system maintained its superiority, presenting significantly higher accuracy than other machine learning algorithms even with 50% noise fin the attributes, in both binary and multi-class scenarios. The results consolidate the combination of the HP classifier with regularization and RN50 descriptors as a high-precision and robust approach, with the potential to assist the decision-making of specialists in clinical practice.
Palavras-chave
Algoritmo Polinomial de Hermite, Imagens Histológicas H&E, XAI, Atributos Fractais, Características Aprendidas, Aprendizado de Máquina, Hermite polynomial, H&E histological images, Fractal features, Deep features, Machine learning
Citação
PEREIRA, Danilo César. Classificação de imagens histológicas utilizando algoritmo polinomial de base hermite e regularizador. 2025. 134 f. Tese (Doutorado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2025. DOI http://doi.org/10.14393/ufu.te.2026.108.
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto