Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.260
Aluno: Gabriel Galdino Gadelha
Orientador: Prof. Tsang Ing Ren
Coorientador: Prof. Alexandre Cunha (Beckman Institute, California Institute of Technology, USA)
Título: Image Segmentation using Heat Diffusion Representation
Data: 26/01/2026
Hora/Local: 14h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Cleber Zanchettin (UFPE / Centro de Informática)
Prof. Luiz Eduardo Soares de Oliveira (UFPR / Departamento de Informática)
Prof. Tsang Ing Ren (UFPE / Centro de Informática)
RESUMO:
A segmentação de instâncias em imagens biomédicas é essencial em aplicações clínicas e de pesquisa, permitindo identificar e analisar estruturas celulares com precisão. Embora abordagens recentes em aprendizado profundo alcancem resultados expressivos, muitas dependem de pipelines multiestágio, com mapas intermediários, funções de perda específicas e pós-processamentos sofisticados, elevando o custo computacional e a complexidade de uso em cenários reais. Este trabalho investiga uma alternativa que simplifica o pipeline sem sacrificar desempenho. Reformulamos a tarefa como um problema de difusão de calor em regime estacionário, no qual cada célula atua como uma fonte que gera um campo contínuo de intensidades elevadas no centro e gradualmente decrescentes até as bordas. Essa representação suave, aprendida por uma U-Net em um único canal de saída, é estimada por regressão densa com perda L1, favorecendo estabilidade, robustez a outliers e contornos bem definidos. A natureza do campo previsto permite aplicar diretamente o watershed, técnica clássica e interpretável, que converte domos suaves em instâncias separadas com pouca necessidade de ajustes. Em contraste com métodos que exigem múltiplos mapas ou pós-processamentos elaborados, a integração entre difusão e watershed resulta em um pipeline conciso e de baixo custo, demonstrando que a qualidade da representação é suficiente para produzir segmentações competitivas. Ao priorizar uma única representação escalar em vez de arquiteturas complexas, o método alcança precisão comparável ao estado da arte, mantendo eficiência computacional e interpretabilidade, configurando-se como alternativa promissora para aplicações clínicas e de pesquisa em imagens biomédicas.
Palavras-chave: aprendizado profundo, segmentação por instância, microscopia celular, difusão de calor.
Comentários desativados