
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.creator | Ferreira, Daniel Silva | - |
| Autor(es): dc.creator | Ramalho, Geraldo Luis Bezerra | - |
| Autor(es): dc.creator | Torres, Débora | - |
| Autor(es): dc.creator | Tobias, Alessandra Hermógenes Gomes | - |
| Autor(es): dc.creator | Rezende, Mariana Trevisan | - |
| Autor(es): dc.creator | Medeiros, Fátima Nelsizeuma Sombra de | - |
| Autor(es): dc.creator | Bianchi, Andrea Gomes Campos | - |
| Autor(es): dc.creator | Carneiro, Cláudia Martins | - |
| Autor(es): dc.creator | Ushizima, Daniela Mayumi | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T15:48:01Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T15:48:01Z | - |
| Data de envio: dc.date.issued | 2020-05-15 | - |
| Data de envio: dc.date.issued | 2020-05-15 | - |
| Data de envio: dc.date.issued | 2019 | - |
| Fonte completa do material: dc.identifier | http://www.repositorio.ufop.br/handle/123456789/12196 | - |
| Fonte completa do material: dc.identifier | https://www.sciencedirect.com/science/article/pii/S0169260718316870 | - |
| Fonte completa do material: dc.identifier | https://doi.org/10.1016/j.cmpb.2019.105053 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1024379 | - |
| Descrição: dc.description | Background and objectives: Saliency refers to the visual perception quality that makes objects in a scene to stand out from others and attract attention. While computational saliency models can simulate the expert’s visual attention, there is little evidence about how these models perform when used to predict the cytopathologist’s eye fixations. Saliency models may be the key to instrumenting fast object detection on large Pap smear slides under real noisy conditions, artifacts, and cell occlusions. This paper describes how our computational schemes retrieve regions of interest (ROI) of clinical relevance using visual attention models. We also compare the performance of different computed saliency models as part of cell screening tasks, aiming to design a computer-aided diagnosis systems that supports cytopathologists. Method: We record eye fixation maps from cytopathologists at work, and compare with 13 different saliency prediction algorithms, including deep learning. We develop cell-specific convolutional neural networks (CNN) to investigate the impact of bottom-up and top-down factors on saliency prediction from real routine exams. By combining the eye tracking data from pathologists with computed saliency models, we assess algorithms reliability in identifying clinically relevant cells. Results: The proposed cell-specific CNN model outperforms all other saliency prediction methods, particularly regarding the number of false positives. Our algorithm also detects the most clinically relevant cells, which are among the three top salient regions, with accuracy above 98% for all diseases, except carcinoma (87%). Bottom-up methods performed satisfactorily, with saliency maps that enabled ROI detection above 75% for carcinoma and 86% for other pathologies. Conclusions: ROIs extraction using our saliency prediction methods enabled ranking the most relevant clinical areas within the image, a viable data reduction strategy to guide automatic analyses of Pap smear slides. Top-down factors for saliency prediction on cell images increases the accuracy of the estimated maps while bottom-up algorithms proved to be useful for predicting the cytopathologist’s eye fixations depending on parameters, such as the number of false positive and negative. Our contributions are: comparison among 13 state-of-the-art saliency models to cytopathologists’ visual attention and deliver a method that the associate the most conspicuous regions to clinically relevant cells. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | en | - |
| Direitos: dc.rights | restrito | - |
| Palavras-chave: dc.subject | Convolutional neural network | - |
| Palavras-chave: dc.subject | Eye tracking experiment | - |
| Título: dc.title | Saliency-driven system models for cell analysis with deep learning. | - |
| Aparece nas coleções: | Repositório Institucional - UFOP | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: