AVALIAÇÃO COMPARATIVA DOS MÉTODOS DE MELHORAMENTO DE IMAGENS PARA APLICAÇÕES DE ALTO NÍVEL ENVOLVENDO REDES NEURAIS CONVOLUCIONAIS

Resumo

Um dos fatores que impactam no sucesso da utilização de redes neurais convolucionais para alguma tarefa de alto nível, como detecção de anomalias em imagens médicas e segmentação de objetos em vídeos, é a qualidade do conjunto de dados usado na etapa de treinamento desse método supervisionado. Dessa forma, o objetivo deste trabalho consiste em quantificar as métricas PSNR e SSIM comumente usadas: i) na comparação de três métodos de melhoramento de imagens mais recentes e acurácia, falsos positivos e falsos negativos; e ii) na etapa de teste da rede neural e, com isso, contribuir na escolha adequada de um método de melhoramento e arquitetura de rede neural convolucional eficientes. Para conduzir o estudo, a análise das métricas foi feita a partir de um conjunto de dados com 253 imagens de ressonância magnética de cérebro, das quais 155 apresentam tumor e o restante não apresenta, empregando técnicas de aumento de dados por transformações geométricas e separando 70% do conjunto de dados para treino e 30% para teste, como geralmente se aplica nos artigos estudados. Após a finalização da execução dos scripts de programação que já foram reunidos para contabilização das métricas e visualização das imagens melhoradas, tabelas destacando os melhores resultados serão colocadas para a etapa de análise das técnicas de melhoramento e para a etapa de aplicação nas redes neurais convolucionais. Neste trabalho mostramos um direcionamento para nortear as escolhas de técnicas de melhoramento mais eficientes e o efeito destas no processo de classificação por redes neurais convolucionais.