Autoencoder Variacional com Neurônios Gaussianos e Mecanismos de Atenção para Detecção de Câncer Usando Dados Espectrais
Nome: MATHEUS BECALI ROCHA
Data de publicação: 19/06/2024
Banca:
Nome |
Papel |
|---|---|
| GUILHERME PALERMO COELHO | Examinador Externo |
| RENATO ANTONIO KROHLING | Presidente |
| VINICIUS FERNANDES SOARES MOTA | Examinador Interno |
Resumo: Autoencoders Variacionais (VAEs) são modelos generativos conhecidos por aprenderem representações latentes compactas e contínuas de dados. Apesar de sua eficácia em diversas aplicações, a utilização dessas representações para tarefas de classificação representa ainda um desafio. Tradicionalmente, essa abordagem envolve concatenar os vetores de média e variância e inseri-los em uma rede neural. Nesta dissertação, foi desenvolvida uma nova abordagem para Autoencoders Variacionais, denominada VAE-GNA, que incorpora neurônios Gaussianos no espaço latente juntamente com mecanismos de atenção. Esses neurônios processam diretamente os valores de média e variância por meio de uma função sigmoide modificada, otimizando o treinamento do VAE na extração de características em sinergia com a rede de classificação. Além disso, foi proposto a aplicação de mecanismos de atenção tanto aditiva quanto multiplicativa para aprimorar as capacidades do modelo. Para avaliar a metodologia, foram realizados três experimentos: o primeiro emprega dados Raman da urina para a detecção de câncer de bexiga; o segundo utiliza dados na faixa do Infravermelho próximo (NIR), também para urina, para a detecção de diversos tipos de câncer; e o terceiro utiliza dados NIR para detecção de câncer de pele. Os resultados obtidos mostram a eficácia e a aplicabilidade da abordagem para a classificação de dados espectrais.
