Caracterização do tecido tireoidiano por meio da análise de imagens hiperespectrais utilizando aprendizagem profunda (2024)
- Authors:
- Autor USP: BAFFA, MATHEUS DE FREITAS OLIVEIRA - Interunidades em Bioengenharia
- Unidade: Interunidades em Bioengenharia
- Sigla do Departamento: Programa Interunidades em Bioengenharia: EESC/FMRP/IQSC-USP
- DOI: 10.11606/T.82.2024.tde-18062025-085920
- Subjects: DIAGNÓSTICO POR COMPUTADOR; APRENDIZAGEM PROFUNDA; PATOLOGIA
- Keywords: Imagens hiperespectrais.; Patologia computacional.
- Agências de fomento:
- Language: Português
- Abstract: A tipificação de tecidos tireoidianos, tarefa essencial para a identificação de anomalias celulares em amostras de biópsia, desempenha um papel importante na detecção e caracterização de diferentes tipos de patologias da tireoide. Visando aprimorar esse processo, estudos na área de visão computacional têm desenvolvido soluções para a análise de amostras de biópsia por meio de suas imagens digitais. Estas abordagens frequentemente se restringem a tipos específicos de tecido e enfrentam grandes desafios em amostras com diagnósticos variados. Desta forma, faz-se necessário o desenvolvimento de novos métodos de caracterização de tais tecidos. Uma forma de fazer isso é através do estudo da interação do tecido com a luz. Essa interação pode ser estudada por meio da relação de emissão, absorção, transmissão e reflexão de energia, com representação dessa informação no formato de um espectro de intensidades. O conjunto de espectros de uma lâmina histológica pode ser modelado como um volume espectral, ou imagem hiperespectral. A análise tradicional deste tipo de dado é uma tarefa desafiadora, uma vez que ela possui uma alta complexidade e um alto volume dados, sendo necessários modelos sofisticados de aprendizagem de máquina. Assim, esta tese propõe uma nova metodologia para caracterizar tecidos biológicos de biopsias de tireoide, utilizando a interação da luz com o tecido, representada pelo seu espectro. O objetivo é investigar diferentes técnicas de aprendizagem de máquina, com ênfase em aprendizagem profunda, para estabelecer as melhores arquiteturas para a caracterização de tecidos histológicos. Foram analisadas seis abordagens distintas, incluindo quatro dedicadas à classificação de imagens hiperespectrais através de modelos tradicionais de aprendizagem de máquina, redes neurais recorrentes, redes neurais totalmente conectadas e redes neurais convolucionais; e duas voltadas para a classificação deimagens digitais dos tecidos, utilizando redes neurais convolucionais e análise de características radiômicas. Os resultados demonstram uma performance superior das abordagens hiperespectrais atingindo 97,60% de acurácia através das redes neurais convolucionais de uma dimensão. Os resultados obtidos por essa abordagem também demonstram uma maior especificidade e sensibilidade na detecção de regiões internas da amostra contendo diferentes condições patológicas, destacando seu potencial como uma ferramenta valiosa na patologia moderna
- Imprenta:
- Publisher place: São Carlos
- Date published: 2024
- Data da defesa: 19.06.2024
- Status:
- Artigo publicado em periódico de acesso aberto (Gold Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
ABNT
BAFFA, Matheus de Freitas Oliveira. Caracterização do tecido tireoidiano por meio da análise de imagens hiperespectrais utilizando aprendizagem profunda. 2024. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2024. Disponível em: https://teses.usp.br/teses/disponiveis/82/82131/tde-18062025-085920/. Acesso em: 01 abr. 2026. -
APA
Baffa, M. de F. O. (2024). Caracterização do tecido tireoidiano por meio da análise de imagens hiperespectrais utilizando aprendizagem profunda (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://teses.usp.br/teses/disponiveis/82/82131/tde-18062025-085920/ -
NLM
Baffa M de FO. Caracterização do tecido tireoidiano por meio da análise de imagens hiperespectrais utilizando aprendizagem profunda [Internet]. 2024 ;[citado 2026 abr. 01 ] Available from: https://teses.usp.br/teses/disponiveis/82/82131/tde-18062025-085920/ -
Vancouver
Baffa M de FO. Caracterização do tecido tireoidiano por meio da análise de imagens hiperespectrais utilizando aprendizagem profunda [Internet]. 2024 ;[citado 2026 abr. 01 ] Available from: https://teses.usp.br/teses/disponiveis/82/82131/tde-18062025-085920/ - Brain tumor classification on multi-modality MRI using radiomic features
- Hyperspectral signal analysis for thyroid neoplasm typification on infrared spectrum
- Advancing thyroid pathologies detection with recurrent neural networks and micro-FTIR hyperspectral imaging
- On the use of machine learning algorithms to classify focal cortical dysplasia on MRI
- Histopathological diagnosis of colon cancer using micro-FTIR hyperspectral imaging and deep learning
- Deep neural networks can differentiate thyroid pathologies on infrared hyperspectral images
- Breast cancer detection in histological images using radiomic features and fully connected neural networks
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
