Dissertação
Medical Imaging Benchmark for Few-Shot Image Classification EVALUATED
De momento, ao contrário dos humanos, os computadores não conseguem aprender a generalizar rapidamente a partir de poucos exemplos. Esta diferença entre humanos e computadores, juntamente com a existência de várias tarefas em que há muito poucos exemplos disponíveis, levaram à crescente procura de como aprender através de poucos exemplos. Este trabalho baseia-se na área de classificação de imagens médicas, usando apenas um pequeno conjunto de imagens de treino. Esta tese propõe o Few-shot Medical Imaging Classification Benchmark (fsMIB) como padrão de avaliação para a área de aprendizagem com poucas imagens. Composto por vários conjuntos de dados públicos de imagens médicas, este padrão de avaliação permitirá a avaliação futura do progresso da classificação baseada em poucas instâncias, com vista à descoberta de novos modelos aplicáveis a um contexto médico, tornando possível o futuro desenho de sistemas de diagnóstico de imagens médicas confiáveis. Os resultados obtidos nas experiências realizadas mostram-se, em geral, consistentes com os obtidos no Meta-Dataset, o padrão de avaliação utilizado atualmente. O treino dos modelos nos conjuntos de dados do Meta-Dataset permitiu uma melhor generalização, na avaliação de alguns dos conjuntos de dados médicos do fsMIB, do que o treino dos modelos nos restantes conjuntos de dados médicos do fsMIB. Finalmente, concluiu-se que a abordagem atual para avaliar os modelos de aprendizagem com poucas imagens pode não ser adequada para avaliar com precisão a eficácia desses modelos na classificação de imagens médicas.
junho 30, 2023, 19:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Arlindo Manuel Limede de Oliveira
Departamento de Engenharia Informática (DEI)
Professor Catedrático