Impacto do balanceamento e regularização na segmentação semântica de imagens histopatológicas
Open Access
- 28 November 2025
- journal article
- Published by Sociedade Brasileira de Computação in Revista Eletrônica de Iniciação Científica em Computação
- Vol. 23, 276-282
Abstract
Este estudo investiga o impacto do balanceamento de classes e da regularização na melhoria da concordância de diagnósticos baseados em imagens histológicas. Modelos U-Net aplicados na análise de biópsias de câncer de próstata, por exemplo, mostram que o balanceamento de classes, combinado com funções de perda tradicionais, aumenta a concordância das imagens em até 6 pontos percentuais. A combinação de balanceamento com Focal Loss eleva o acordo de classificação em média 13 pontos percentuais, em comparação com o uso de datasets desbalanceados com funções de perda tradicionais. Um estudo de caso sobre a diferenciação entre os padrões Gleason 3 e 4 ilustra a utilidade das técnicas em decisões clínicas e no prognóstico de pacientes com câncer de próstata.Keywords
This publication has 23 references indexed in Scilit:
- Towards a holistic view of bias in machine learning: bridging algorithmic fairness and imbalanced learningDiscover Data, 2024
- A Data Augmentation Methodology to Reduce the Class Imbalance in Histopathology ImagesJournal of Imaging Informatics in Medicine, 2024
- An imbalance-aware nuclei segmentation methodology for H&E stained histopathology imagesBiomedical Signal Processing and Control, 2023
- Deepfake Histologic Images for Enhancing Digital PathologyLaboratory Investigation, 2023
- Artificial intelligence for diagnosis and Gleason grading of prostate cancer: the PANDA challengeNature Medicine, 2022
- Going deeper through the Gleason scoring scale: An automatic end-to-end system for histology prostate grading and cribriform pattern detectionComputer Methods and Programs in Biomedicine, 2020
- Novel artificial intelligence system increases the detection of prostate cancer in whole slide images of core needle biopsiesLaboratory Investigation, 2020
- U-Net: Convolutional Networks for Biomedical Image Segmentation2015
- ImageNet Large Scale Visual Recognition ChallengeInternational Journal of Computer Vision, 2015
- Prediction of Prognosis for Prostatic Adenocarcinoma by Combined Histological Grading and Clinical StagingJournal of Urology, 1974