Aprendizado com Transferência em Imagens Retinográficas
Nos últimos anos, alguns modelos de Redes Neurais Artificiais Profundas (Deep Artificial Neural Networks) têm atingido um nível de acurácia comparável ao de especialistas em tarefas de classificação de imagens médicas. Um dos desafios do treinamento de redes profundas em problemas de imagens médicas é o tamanho tipicamente limitado dos conjuntos de treinamento. Por isso, o treinamento nesse tipo de problemas geralmente envolve uma etapa de transferência, em que os parâmetros de uma rede primária, aprendidos em algum outro domínio, são reaproveitados no treinamento de uma rede específica para o problema médico. Até hoje, poucos estudos foram realizados para entender as propriedades do aprendizado com transferência (Transfer Learning) nesse contexto. As modalidades mais comuns de imagens médicas diferem significativamente em relação aos bancos de imagens naturais geralmente usados no treinamento da rede primária, tanto em resolução quanto em atributos como contraste, textura, presença de ruído, etc. Isso sugere que esta técnica pode não ser a melhor maneira de acelerar o treinamento da rede ou pode mesmo prejudicar o seu desempenho final. Para investigar as propriedades da transferência, nós propomos uma série de experimentos de classificação de imagens de fundo de olho, no contexto da detecção de glaucoma e usando diferentes configurações de aprendizado com transferência.