Aumento de Dados Utilizando Firefly e Level Sets Aplicado à Segmentação de Imagens Médicas e Biológicas
Keywords:
Aumento de dados, Segmentação de Imagens, Processamento de ImagensAbstract
Estima-se que cerca de 75 % dos genes associados a doenças em humanos tenham homólogos em Drosophila melanogaster. Apesar dos recentes avanços nas tecnologias de captura de imagens biológicas e médicas, para a contagem de células coletadas in vivo, ainda é necessário fazer o processo manual de segmentação. Por outro lado, redes convolucionais vêm avançando e obtendo bons resultados, especialmente em bases com grande volume. Esse trabalho propõe a adaptação de uma técnica de aumento de dados, incrementando um pipeline de segmentação específico para imagens de microscopia confocal, e utiliza os resultados no treinamento de segmentações utilizando uma rede neural U-Net.
Downloads
Referências
Doi, K. (2007). Computer-aided diagnosis in medical imaging: historical review, current status and future potential. Computerized medical imaging and graphics, 31(4-5):198–211.
Higham, J. P., Malik, B. R., Buhl, E., Dawson, J. M., Ogier, A. S., Lunnon, K., and Hodge, J. J. (2019). Alzheimer’s disease associated genes ankyrin and tau cause shortened lifespan and memory loss in drosophila. Frontiers in cellular neuroscience, 13.
Hirth, F. (2010). Drosophila melanogaster in the study of human neurodegeneration. CNS & Neurological Disorders-Drug Targets (Formerly Current Drug Targets-CNS & Neurological Disorders), 9(4):504–523.
Hughes, T. T., Allen, A. L., Bardin, J. E., Christian, M. N., Daimon, K., Dozier, K. D., Hansen, C. L., Holcomb, L. M., and Ahlander, J. (2012). Drosophila as a genetic model for studying pathogenic human viruses. Virology, 423(1):1–5.
Joia, P., Paulovich, F., Coimbra, D., Cuminato, J., and Nonato, L. (2011). Local affine multidimensional projection. IEEE transactions on visualization and computer graphics, 17:2563–71.
Long, J., Shelhamer, E., and Darrell, T. (2015). Fully convolutional networks for semantic segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 3431–3440.
Malladi, R., Sethian, J. A., and Vemuri, B. C. (1994). Shape modeling with front propagation: A level set approach.
Naturalis, P. (2018). 30 amazing applications of deep learning.
Palmeira, O. F. (2017). Efeitos da irradiação em células-tronco germinativas de drosophila melanogaster e influência da dieta na recuperação dessas células e tecidos ovarianos submetidos ao tratamento com cisplatina. Monografia apresentada ao Programa de Graduação em Ciências Biológicas: Biotecnologia, do Polo Avançado de Xerém, Universidade Federal do Rio de Janeiro. UFRJ.
Pandey, U. B. and Nichols, C. D. (2011). Human disease models in drosophila melanogaster and the role of the fly in therapeutic drug discovery. Pharmacological reviews, 63(2):411–436.
Peixinho, A. Z., Benato, B. C., Nonato, L. G., and Falcão, A. X. (2018). Delaunay triangulation data augmentation guided by visual analytics for deep learning. In 2018 31st SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI), pages 384–391. IEEE.
Ronneberger, O., Fischer, P., and Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical image computing and computer-assisted intervention, pages 234–241. Springer.
Shorten, C. and Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of Big Data, 6(1):60.
Sonoshita, M. and Cagan, R. (2017). Modeling human cancers in drosophila. In Current topics in developmental biology, volume 121, pages 287–309. Elsevier.
Stephens, D. J. and Allan, V. J. (2003). Light microscopy techniques for live cell imaging. science, 300(5616):82–86.
Wachs Lopes, G. A., Beltrame, F. S., Santos, R. M., and Rodrigues, P. S. (2018). Comparison of bio-inspired algorithms from the point of view of medical image segmentation. In 2018 IEEE International Work Conference on Bioinspired Intelligence (IWOBI), pages 1–7.
Yang, X.-S. (2009). Firefly algorithms for multimodal optimization. In SAGA.
