Banca de DEFESA: MATHEUS AUGUSTO OLIVEIRA DOS SANTOS

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : MATHEUS AUGUSTO OLIVEIRA DOS SANTOS
DATA : 18/12/2025
HORA: 14:00
LOCAL: Microsoft Teams
TÍTULO:

Prototypical Linear Mapping from Vision Foundation Models for Histopathology Image Retrieval

PALAVRAS-CHAVES:

Content-Based Medical Image Retrieval, Foundation Models, Digital Histopathology, Few-Shot Learning, Prototypical Networks, Representation Learning, Self-Supervised Learning.

PÁGINAS: 86
RESUMO:

A digitalização em larga escala de lâminas histológicas em alta resolução consolidou a patologia digital como um campo baseado em dados, mas também introduziu desafios substanciais de armazenamento, anotação e recuperação eficiente de imagens em escala gigapixel. Sistemas de Recuperação de Imagens Médicas Baseada em Conteúdo (CBMIR) oferecem uma solução para esse cenário ao recuperar amostras visual ou semanticamente semelhantes diretamente a partir do conteúdo morfológico, sem dependência exclusiva de metadados. Apesar dos avanços recentes em aprendizado contrastivo, métodos atuais de CBMIR ainda demandam grandes volumes de dados rotulados e permanecem sensíveis a variações de domínio, incluindo diferenças de coloração, preparação e morfologia. Modelos auto-supervisionados baseados em Transformers deram origem aos foundation models visuais (FMs), que aprendem representações transferíveis a partir de grandes coleções de imagens não rotuladas. No contexto da patologia digital, surgiram FMs especializados — UNI, Virchow, Phikon — treinados diretamente em coleções massivas de lâminas histológicas e capazes de capturar padrões morfológicos complexos de múltiplos tecidos. Entretanto, seu potencial para recuperação de imagens médicas permanece subexplorado, e seus embeddings não são explicitamente otimizados para representar continuidades morfológicas finas necessárias em CBMIR. Esta dissertação investiga o mapeamento linear de foundation models para recuperação de imagens histopatológicas, propondo um esquema leve de transferência baseado em few-shot learning e protótipos. O método projeta os embeddings pré-treinados em um subespaço latente orientado à recuperação, impondo um alinhamento métrico centrado em protótipos que aumenta a compacidade intra-classe e a separabilidade inter-classe, preservando a estrutura semântica global do FM. Avaliações em três conjuntos de dados biomédicos — glomérulos renais, histologia de câncer de ovário e lesões cutâneas dermatoscópicas — mostram ganhos superiores a 10 pontos percentuais em mean average precision at K (MAP@K) em relação aos FMs não adaptados. Testes de permutação confirmam a significância estatística das melhorias, enquanto análises qualitativas evidenciam embeddings mais estruturados, coerentes e compatíveis com a morfologia diagnóstica. A proposta aqui apresentada é aproximar foundation models visuais de uso geral das demandas específicas de CBMIR em patologia digital, oferecendo uma solução orientada a desempenho competitivo, recuperação eficiente e representações semanticamente coerentes.

MEMBROS DA BANCA:
Presidente - 1914064 - LUCIANO REBOUCAS DE OLIVEIRA
Externo à Instituição - ANGELO AMANCIO DUARTE - UEFS
Externo à Instituição - JEFFERSON FONTINELE DA SILVA - UFMA