Diagnóstico de Imagens de Ressonância Magnética quanto a presença de Esclerose Múltipla por meio de Redes Neurais Artificiais

Tamanho: px
Começar a partir da página:

Download "Diagnóstico de Imagens de Ressonância Magnética quanto a presença de Esclerose Múltipla por meio de Redes Neurais Artificiais"

Transcrição

1 Diagnóstico de Imagens de Ressonância Magnética quanto a presença de Esclerose Múltipla por meio de Redes Neurais Artificiais Fillipe Joelson Silva¹; Rita Maria Silva Julia²; Ayres Barcelos³ ¹ ² ³Faculdade de Ciência da Computação Universidade Federal de Uberlândia (UFU) Abstract. This paper proposes an automatic method of classifying Magnetic Resonance Images (MRI) in terms of the presence or not of lesions that would indicate the diagnosis of Multiple Sclerosis (MS). To achieve the desired results, two artificial neural networks are used: a Kohonen-SOM, trained without supervision, and a Learning Vector Quantization (LVQ) trained under supervision. The motivation for that is to estimate and to compare the performance of both approaches in the evaluation of diagnosis. Note that, distinct from most related works whose motivation is the automation of the image segmenting process, the contribution here consists of producing the final diagnosis associated with the input images. Resumo. Este artigo propõe um método automático para classificação de Imagens de Ressonância magnética (IRM) quanto à presença ou não de características que indicariam o diagnóstico de Esclerose Múltipla (EM). Para realizar tal tarefa, duas redes neurais artificiais foram usadas: Kohonen-SOM e uma outra baseada em Learning Vector Quantization (LVQ), treinadas sem e com supervisão, respectivamente, de modo a comparar o desempenho do aprendizado de máquina supervisionado e sem interferência humana. Note que, diferentemente da maioria dos trabalhos correlatos cuja motivação é automatizar o processo de segmentação das imagens, a contribuição aqui consiste em produzir como saída o diagnóstico final associado às imagens de entrada. 1. INTRODUÇÃO Esclerose Múltipla (EM) é uma doença inflamatória e desmielinizante do sistema nervoso central (SNC) que afeta principalmente adultos jovens. É considerada uma doença auto-imune no qual o sistema imunitário reconhece erroneamente a bainha de mielina do SNC como um elemento externo e então o ataca, resultando em inflamação e danos. Em cada indivíduo a EM se manifesta com diferentes sintomas, que variam dependendo das zonas afetadas no SNC, tais sintomas são não permanentes no primeiro momento e, quando a pessoa percebe, geralmente, a doença se encontra em fase mais adiantada, o que torna a investigação difícil. No primeiro trimestre do ano de 2007, o Sistema Único de Saúde (SUS) realizou 544 internações decorrentes da doença. Em 2006, o total de assistências foi de [1]. Imagens de Ressonância Magnética (IRM) têm sido usadas clinicamente com muito sucesso para o diagnóstico e monitoramento da EM devido a suas excelentes propriedades, como alta resolução e boa diferenciação de tecidos moles, além de permitir

2 a obtenção de diferentes informações de contrastes [2] [3]. O método tradicional da análise de tais imagens baseia-se no delineamento manual de áreas de interesse em IRM por especialistas. Este procedimento é caro, requer muito tempo e os resultados podem variar de acordo com o observador. Este fato tem motivado a proposição de vários métodos automáticos e semi-automáticos para facilitar a detecção de anomalias em IRM. Neste contexto, este artigo propõem dois métodos automáticos para detectar a presença de EM em IRM. Ambos os métodos utilizam redes neurais artificiais, sendo uma Kohonen-SOM e a outra baseada em Learning Vector Quantization (LVQ). O objetivo de se usarem estas duas abordagens é analisar o aprendizado de máquina supervisionado e o desprovido da, bem como comparar os resultados obtidos por ambos. Para tanto, foi usado um banco de imagens de IRM composto de imagens representantes dos dois grupos: um primeiro, correspondendo à metade das imagens, que possui lesões de EM e um segundo, com a outra metade, que não as possui. Em cada grupo, 50% das imagens foram usadas para treinamento da rede e as 50% remanescentes foram usadas para testes. Tais imagens foram resgatadas a partir de 15 pacientes com periodicidade semestral. As imagens apresentadas no banco de dados são submetidas a um pré-processamento realizado pelo sistema que reduz seus ruídos e minera seus aspectos relevantes. Após o pré-processamento é realizada a análise quantitativa do volume dos tecidos cerebrais das imagens. A análise de volume gera uma representação baseada em ternas matemáticas contendo informações relativas aos tecidos (ou matérias) que serão relevantes ao diagnóstico realizado pelas redes. Em uma etapa posterior (e onde se concentra o trabalho a que se dedica o presente artigo), essas ternas são usadas como dados de entrada nas redes neurais. Depois de treinadas, as redes serão capazes de detectar se as imagens mapeadas em sua camada de entrada correspondem a imagens de pacientes portadores da doença ou não. Os resultados obtidos nos testes comprovam a eficácia de ambas as estratégias como ferramentas para detecção dos diagnósticos. 2. FUNDAMENTOS TEÓRICOS 2.1 Redes neurais Artificiais e Kohonen-SOM Com base em redes neurais biológicas, uma rede neural artificial é um modelo computacional que consiste de unidades básicas chamadas neurônios. Cada um dos neurônios que compõem uma rede neural artificial pretende simular a operação de um único neurônio de uma rede neural biológica. Mais detalhes podem ser vistos em [4] [5] [6] [7] [8] [9]. Um mapa auto-organizável Kohonen-SOM é um tipo especial de rede neural artificial com aprendizado não supervisionado. A rede Kohonen-SOM consiste de duas camadas de neurônios, sendo a primeira a camada de entrada e a segunda a de saída. A camada de entrada aceita padrões de qualquer dimensão e então mapeia esses padrões para a camada de saída. A camada de saída representa o espaço vetorial dos elementos a serem agrupados. O objetivo é que entradas topologicamente próximas correspondam a neurônios de saída topologicamente próximos. Mais detalhes podem ser vistos em [4] [5] [6] [7] [8] [9] [10].

3 2.2 Learning Vector Quantization Learning Vector Quantization (LVQ) é uma técnica supervisionada de compressão de dados que utiliza como vantagem o fato que vetores de entrada do mesmo espaço vetorial apresentam similaridades significativas. Nesta técnica, os espaços vetoriais dos dados de entrada são divididos em várias regiões, onde para cada região é definido um vetor de reconstrução. Quando uma nova entrada é apresentada a rede, é definida a qual região a nova entrada pertence, daquele momento em diante a entrada será representada pelo vetor de reconstrução daquela região. Usando versões codificadas dos vetores de reconstrução das entradas para armazenamento e transmissão, pode-se obter economia em espaço de armazenamento ou banda de transmissão, isto é claro, ao preço de alguma distorção. Mais detalhes podem ser vistos em [4] [5] [6]. 2.3 Classificação de Imagens A classificação de imagens é basicamente o processo de se separar imagens em grupos previamente definidos, onde imagens pertencentes a um mesmo grupo possuem semelhanças significativas, ao mesmo tempo em que possuem, também, diferenças significativas com imagens dos demais grupos. A definição dos critérios de classificação de imagens baseia-se na extração de atributos das mesmas. Para que se torne possível produzir um classificador automático, os critérios de classificação das imagens precisam ser expressos numericamente, possibilitando, desta forma, que um método seja desenvolvido ou adaptado a reconhecer padrões dentro destes critérios. Naturalmente, para o processamento de imagens, são escolhidos critérios baseados na intensidade dos pixels para se classificar objetos ou regiões das imagens. As características escolhidas para a classificação de imagens neste trabalho consistem na quantificação dos volumes das matérias branca, cinza e fluido cerebrospinal contidas nas IRM a serem analisadas. 3 ESTADO DA ARTE Esta seção apresenta trabalhos correlatos sobre diagnóstico e detecção automática da presença de EM em IRM. Em [11], é apresentado um método de segmentação automática e detecção de lesões de EM em IRM. Tal método utiliza características de textura, bem como, uma Support Vector Machine (SVM) treinada para diferenciar os blocos que estão e os que não estão presentes em possíveis regiões de lesões de EM. Os resultados obtidos pelo método foram: 79% de precisão em similaridade e 90% de precisão na carga de lesões quando se comparando com o método manual. Em [3], é apresentado um método automático para detectar estruturas anormais em IRM e sua aplicação na detecção de EM. Tal método utiliza metodologias de multiescala combinadas com segmentação para realizar tal detecção. Os resultados obtidos pelo método foram: 97% de precisão por similaridade e 90% de precisão na detecção da carga de lesões quando comparado ao método manual. Em [12] é proposto um método para classificação de mamografias com tecidos benignos, malignos e normais. Para tal classificação são usadas redes neurais Perceptron de Multi-Camadas, Probabilísticas e de Funções de Base Radial. Os melhores resultados

4 obtidos foram por redes Probabilísticas, onde se foi obtido 97.3% de taxa de acerto, com 100% de especificidade e 96% de sensibilidade. Em [13] é proposto um método de classificação de regiões de mamografias em normais e anormais, assim como, em benignas e malignas, através de redes neurais artificiais. Os resultados obtidos foram de 88.23% de precisão na detecção de anormalidades e, 79.31% em distinguir entre regiões benignas e malignas. 4 SISTEMA PROPOSTO A motivação para se usarem redes neurais artificiais como ferramenta de classificação de IRM é o fato de que estas ferramentas mostram grande eficiência em agrupar elementos por suas similaridades. Duas redes neurais artificiais foram usadas no diagnóstico das IRM, a primeira é uma rede Kohonen-SOM treinada sem supervisão, enquanto que a segunda é uma rede similar em estrutura porém que utiliza LVQ e é treinada de forma supervisionada. O objetivo destas duas técnicas é analisar o aprendizado de máquina guiado por especialistas humanos e sem intervenção humana. Modificações foram realizadas sobre os algoritmos originais de treinamento de ambas as redes encontrados na literatura para adaptar esses métodos ao problema proposto. Ambas as redes foram treinadas usando um banco de dados com cerca de 3000 IRM e seus respectivos diagnósticos de 150 pacientes com periodicidade semestral. Para permitir o treinamento das redes, uma representação das imagens foi escolhida. A representação das imagens, a arquitetura das redes e o método de treinamento de cada rede são apresentados abaixo. 4.1 Representação das IRM As imagens apresentadas no banco de dados usado no presente trabalho foram obtidas a partir de um pré-processamento e de uma análise quantitativa do volume dos tecidos cerebrais das imagens. O pré-processamento incluiu: a aplicação do filtro de difusão anisotrópica robusta (Robust Anisotropic Difusion Filter [14] [15]) usado para a redução do ruído das imagens de RM, a normalização da intensidade de cinza das fatias de cada volume através de uma técnica proposta em [16], a correção de não-uniformidades através do algoritmo N3 (Non-parametric Non-uniform intensity Normalisation [14]), o alinhamento das imagens do paciente juntamente com as dos atlas anatômicos para um espaço estereotáxico comum [17], a determinação da área do encéfalo através do algoritmo BET (Brain Extraction Tool [18]), a fim de evitar o processamento desnecessário de regiões além do encéfalo, e a normalização da intensidade de cinza entre as diversas imagens de um mesmo paciente. O pré-processamento e a análise descrita acima geram a representação final da imagem usada no presente trabalho, ou seja, uma tripla de elementos, onde cada elemento possui informações relativas aos tecidos (ou matérias) que serão relevantes ao diagnóstico realizado pelas redes. A Figura 1 ilustra, esquematicamente, a representação da imagem a partir da qual foi feito o pré-processamento e a análise. Na figura, uma dada imagem I é visualizada em três diferentes tons de cinza (ou contrastes), indicados por: T1, T2 e PD, representados, em ordem, por cada um dos cubos na figura. A análise de uma imagem nestes três

5 contrastes é importante para sua classificação, isto devido ao fato de que lesões de EM são mais bem detectadas em diferentes contrastes [2] [3]. Na Fig. 1 considere cada,, onde 0 x n, 0 y m e 0 z k como um voxel (pixel em três dimensões) que apresenta um volume de matéria cinza, branca e fluido cerebrospinal sob a ótica de um dos 3 (três) contrastes contr utilizados (contr pode ser T1,T2 ou PD). Logo, em cada contraste contr, a imagem toda é representada por um conjunto de n * m * k voxels denominado Desta forma, cada é obtido por cálculos envolvendo seus voxels correspondentes e é representado por uma tripla <,,,,, >, onde,,, e, indicam o volume das matérias cerebrais branca, cinza e fluido cerebrospinal, respectivamente, nos voxels de. A representação final de uma imagem I corresponde à tripla <,, >. Assim sendo, a representação final consiste de nove valores, três para cada elemento da tripla. Figura 1: Representação das Imagens de Ressonância Magnética 4.2 Diagnóstico automático não supervisionado através de rede Kohonen-SOM Com o objetivo de criar uma rede Kohonen-Som capaz de classificar as IRM, durante o período de treinamento, parte das IRM disponíveis no banco da dados de imagem já préprocessadas são apresentadas a rede. Como o objetivo da rede é obter diagnósticos para as IRM, a rede conta com apenas dois neurônios na camada de saída, um para cada diagnóstico possível (EM presente ou não presente). A camada de entrada da rede é composta de nove neurônios de entrada, onde cada um representa um dos valores obtidos pelo pré-processamento das imagens. Geralmente são escolhidos valores aleatórios para os pesos iniciais [5], porém, no caso aqui tratado, isto não foi possível. A razão pela qual uma escolha randômica de valores para se iniciar os pesos não é adequada provém do fato de os espaços vetoriais das imagens que apresentam e das que não apresentam EM serem muito próximos, causando uma situação de vitória de somente um neurônio, o que tornaria a rede incapaz de aprender. Isto é, como o método utilizado para a atualização de pesos é a Distância Euclidiana e os espaços vetoriais são muito próximos, o primeiro neurônio a vencer também venceria todas as disputas subsequentes, e seria, assim, o único a ter os pesos

6 atualizados. Este fenômeno ocorre devido ao fato de que, uma vez que um neurônio vença, ele sempre se encontrará mais próximo dos espaços vetoriais de ambos os diagnósticos do que o neurônio perdedor. A ocorrência de tal fato foi comprovada durante o treinamento da rede através do monitoramento da atualização de pesos, onde se comprovou que sempre apenas um dos neurônios vencia as disputas, mesmo após várias tentativas de inicialização de pesos aleatórios diferentes. Saliente-se que não houve relato da ocorrência de problema similar na literatura correlata consultada que usa Redes Neurais na classificação de imagens médicas, fato que leva a crer que, distintamente do que ocorre na EM, os espaços vetoriais das imagens correspondentes à ocorrência ou não de câncer de mama [12] [13] sejam suficientemente distintos. A seguir apresenta-se um exemplo que ilustra o problema acima, bem como o método estatístico usado para inicializar os pesos da rede Kohonen de maneira a contorná-lo. A Fig. 2 ilustra claramente o problema associado aos espaços vetoriais através do uso de um exemplo. Suponha que o espaço x é o espaço das imagens que possuem lesões de EM e y o espaço das imagens que não as possuem. Suponha, também, que w e z são neurônios de saída inicializados com valores aleatórios. Note que em relação à z, w está mais próximo aos espaços vetoriais x e y. Após a primeira vitória inicial de w (já que sua distância é menor para qualquer imagem pertencente a x ou y), durante o treinamento da rede, com seus pesos reajustados, ele estará ainda mais próximo de x e y, como exemplificado na imagem mais a direita da Fig. 2. Figura 2: Exemplo de posicionamento de pesos inicializados de forma aleatória Como w estará situado ainda mais próximo aos espaços vetoriais x e y, ele continuará ganhando todas as disputas durante a fase de treinamento. Devido a este fato, w será o único neurônio com pesos atualizados, o que, consequentemente, não permitirá que a rede aprenda corretamente. Uma boa estratégia para contornar tal problema é o uso de métodos alternativos para definição dos pesos iniciais da rede, estratégia, esta, em que tais valores iniciais são obtidos a partir dos elementos a serem classificados [19]. Particularmente neste trabalho, o método utilizado baseou-se na média aritmética do volume das matérias cerebrais, ou seja, para cada diagnóstico são calculados os valores de média aritmética de cada combinação possível de tecido cerebral e contraste. Por fim, os valores correspondentes a um diagnósticos são ligados a um dos neurônios de saída, ao passo que os valores do diagnóstico alternativo são ligados ao outro neurônio Treinamento O treinamento da rede é realizado com uma taxa de aprendizado (α no pseudocódigo abaixo) decrescente e sem intervenção humana. O banco de dados usado contém cerca de 3000 IRM, onde metade destas imagens possui lesões de EM e a outra metade não as

7 possui. Metade das IRM são utilizadas para o treinamento e as restantes são utilizadas para realizar testes avaliativos de desempenho. Durante o treinamento da rede são-lhe apresentadas, intercaladamente, IRM com e sem lesões de EM. Desta forma, a possibilidade de que a rede se especialize em apenas um padrão de entrada é evitado. Este fenômeno ocorre devido ao fato de que uma vez que IRM de um mesmo padrão são apresentadas em sequência e por muitas vezes à rede, esta se torna incapaz de classificar satisfatoriamente imagens de outros padrões. Uma vez que o treinamento esteja finalizado, a rede se torna capaz de obter diagnósticos satisfatórios para qualquer IRM que pertença ou não ao conjunto de IRM de treino. O pseudocódigo abaixo resume o algoritmo utilizado: 1-Instantiate the initial weights values, 2 -cycles = 1 3-while quantity of cycles < 1000 do 4- for each input datum : do 5- for each output neuron j: do 6- = W A ² 7- find the output neuron J with minimum D(j) 8 - for all input neuron i: do 9- W, = W, +α X W, 10- cycles = cycles α α end of while A linha 1 inicia os valores dos pesos iniciais W por meio de métodos estatísticos; A linha 2 inicializa a quantidade de ciclos; A linha 6 calcula a distância euclidiana entre a imagem de entrada e cada neurônio de saída; As linhas 7,8,9 e 10 atualizam os pesos de todos as conexões entre os neurônios de entrada e o neurônio de saída J com a mínima distância euclidiana calculada; Observe que a taxa de aprendizado α varia de 0.1 a 0.001, com decréscimo de 5% a cada ciclo (linhas 3 a 12); A linha 12 checa se todos os ciclos previstos já foram processados. O algoritmo aplicado no treino da rede difere do algoritmo tradicional de uma rede Kohonen-SOM, principalmente no que tange à condição de parada e à inexistência de uma vizinhança para a atualização de pesos. A abordagem tradicional de parada é baseada em um valor mínimo que limita a taxa de aprendizagem [5]. No presente trabalho, a abordagem que condiciona a parada a um número fixo que limita os ciclos mostrou-se mais apropriada. Testes mostraram que com uma quantidade de 1000 ciclos o aprendizado da rede converge. A aplicação da atualização dos pesos sobre uma vizinhança não foi necessária, uma vez que a rede possui apenas dois neurônios de saída, onde, cada um deles se adapta a apenas uma classificação de imagem. 4.3 Diagnóstico automático supervisionado através de rede LVQ A rede que utiliza LVQ tem uma estrutura similar à rede Kohonen-SOM desenvolvida, isto é, dois neurônios na camada de entrada e nove neurônios na camada de saída. A fim

8 de melhor avaliar a eficácia de cada método de forma isolada, os pesos iniciais usados para o treinamento da rede LVQ são os mesmos utilizados para rede Kohonen, tornando análogas assim, as condições de treinamento para ambas as redes. O treinamento da rede LVQ utiliza os diagnósticos obtidos por especialistas humanos para as IRM do banco de dados de imagens para guiar o aprendizado supervisionado da mesma. A subseção abaixo descreve o treino da rede LVQ Treinamento Assim que o treinamento da rede LVQ é concluído, a mesma é capaz de classificar IRM fora e dentro do conjunto de treino sobre a presença ou não de lesões de EM. Durante o treinamento, a taxa de aprendizado decresce lentamente e imagens que apresentam e não apresentam lesões de EM são apresentadas a rede de forma intercalada, tal como feito no treinamento da rede Kohonen-SOM. O processo de treinamento é dado da seguinte forma: se o diagnóstico alcançado pela rede corresponde ao obtido por especialistas humanos, então os pesos do neurônio ganhador sofrem um ajuste positivo (reforço), caso contrário, o ajuste sofrido é negativo (castigo). Este procedimento objetiva criar padrões nos neurônios de saída mais próximos à entrada oferecida. O pseudocódigo abaixo resume o algoritmo utilizado: 1- Instantiate the initial weight values, 2- cycles = 1 3- while quantity of cycles < 1000 do 4- for each input datum : do 5- for each output neuron j: do 6- = W A ² 7- find the output neuron J with minimum D(j) 8- if = d, do 9- for all input neuroni: do 10- W, = W, +α X W, 11- else do 12- for all input neuroni: do 13- W, = W, α X W, 14- cycles = cycles α α end of while Este algoritmo diferente do algoritmo Kohonen principalmente quanto à condição de atualização dos pesos e o modo como estes são atualizados que podem ser vistos nas linhas 8 a 13.

9 5 RESULTADOS Esta seção apresenta os resultados finais obtidos pelas redes Kohonen e LVQ bem como a comparação entre os mesmos. Os resultados finais são obtidos calculando a porcentagem de erro para os dois diagnósticos possíveis para cada rede. O diagnóstico dado por uma rede é considerado correto se este coincide com o diagnóstico do método manual obtido por especialistas. Automaticamente, um erro ocorre quando um diagnóstico dado pela rede não coincide com o diagnóstico obtido através do método manual. As porcentagens de erro de diagnóstico obtidas na classificação de IRM sem lesões de EM para cada rede foram de 3,6% para a LVQ e 7,6% para a Kohonen. Em IRM que apresentam lesões de EM presentes as porcentagens de erros de diagnóstico obtidas para cada rede foram de 2,2% e 1,6% para LVQ e Kohonen respectivamente. Estes resultados confirmam a eficácia de redes neurais artificiais como método automático de detecção de lesões de EM em IRM, considerando-se o elevado grau de dificuldade da detecção do diagnóstico de EM por especialistas humanos [1]. Com a rede LVQ, obteve-se uma melhora de 47,36% na classificação de imagens que não apresentam EM em relação a rede Kohonen. Em contrapartida, através da rede Kohonen, obteve-se um resultado 72,73% melhor na classificação de imagens que apresentam lesões de EM. As redes LVQ e Kohonen apresentaram diagnósticos errados para as IRM apresentadas durante os testes conduzidos em 2,9% e 4,6% delas, respectivamente. Conclui-se, então, que a rede LVQ tem um desempenho 63% melhor que a rede Kohonen na classificação das IRM, o que é compreensível visto que uma técnica supervisionada pode ajustar melhor seu treinamento a fim de obter melhores resultados. TABELA I. RESULTADOS Resultado Método de diagnóstico Rede LVQ Rede Kohonem Erro relativo a EM presente (falsos negativos) Erro relativo a EM não presente (falsos positivos) 2,2% 1,6% 3,6% 7,6% Erro total 2,9% 4,6% 6 CONCLUSÃO Neste artigo foram apresentados dois métodos automáticos para detecção de lesões de EM em IRM. Tais métodos correspondem a uma rede neural Kohonen-SOM (aprendizagem não supervisionada) e a uma LVQ (aprendizagem supervisionada) para mapear IRM em espaços vetoriais, onde os espaços mapeados indicarão o diagnóstico das IRM.

10 O diagnóstico dado pelas redes é baseado na similaridade entre os padrões de volume de matérias cerebrais contidas nos pesos das redes e o volume de matérias cerebrais no dado de entrada dado. Outros métodos automáticos para detecção de lesões de EM em IRM [11] [3] obtêm seus resultados por comparações entre a segmentação realizada por seus métodos automáticos desenvolvidos e o método de detecção manual. A segmentação das IRM não foi tratada neste artigo. Acredita-se que o diagnóstico fornecido pelos métodos desenvolvidos é suficiente para auxiliar especialistas no diagnóstico preventivo de IRM sobre a presença de lesões de EM. A rede LVQ obteve resultados melhores, o que é compreensível, já que uma técnica supervisionada é capaz de ajustar seu treinamento para obter melhores resultados. Trabalhos futuros pretendem explorar características mais específicas das IRM como o posicionamento e formato das matérias cerebrais identificadas, bem como fatores de idade e gênero dos pacientes. 7 AGRADECIMENTOS À FAPEMIG pelo auxílio financeiro. 8 REFERENCIAS 1. Paraná Online, O Difícil diagnóstico da Esclerose Múltipla, Access date: 29/08/ D. H. Miller and R. I. Grossman, The role of magnetic resonance techniques in understanding and managing multiple sclerosis Brain, vol 121, pp. 3-24, A. Ayelet, G. Meirav, M. G. John, F. Massimo, V. Paola, B. Ronen and B. Achi, Automatic Segmentation and Classification of Multiple Sclerosis in Multichannel MRI, IEE Transactions On Biomedical Engineering, Vol. 56, NO. 10, L. Fausett, Fundamentals of Neural Networks: Architectures, Algorithms And Applications, Prentice Hall, S. Haykin, Redes Neurais: Princípios e Prática (2ª Edição), Bookman Editora, Z. L. Kovacs, Redes Neurais e Aplicações, Collegium Cognitio, I. Xingand, D. Pham, Neural Networks for Identification, Prediction, and Control, Strpinger-Verlag, I. N. Silva, D. H. Spatti, R. A. Flauzino, Redes Neurai Artificiais para engenharia e ciências aplicadas, Editora Artliber, G. Bittencour, Inteligência Artificial Ferramentas e Teorias, Editora UFSC, H. C. Neto, Ls-draughts um sistema de aprendizagem de jogos de damas baseado em algoritmos genéticos, redes neurais e diferenças temporais, Computer Science Faculty Federal University Of Uberlândia, Uberlândia, Brazil, 2007.

11 11. A. A. Bassem, A. Y. Akmal, M. P. Pradip and S. Efrat, Textural based SVM for MS Lesion Segmentation in FLAIR MRIs, Open Journal of Medical Imaging,1,26-42, doi; /ojmi , CAMPS L.F.A., SILVA A.C., BARROS A.K. Diagnosis of Breast Cancer in Digital Mammograms Using Independent Component Analysis and Neural Networks, Available: Access date: 20/03/ CHRISTOYIANNI, I.; KOUTRAS, A.; DERMATAS, E.; KOKKINAKIS, G. Computer aided diagnosis of breast cancer in digitized mammograms Available: Access date: 20/03/ J. G. Sled, A. P. Zijdenbos, and A. C. Evans, A Nonparametric Method for Automatic Correction of Intesity Nonuniformity in MRI Data, IEEE Transactions on Medical Imaging, 17(3): , Modelo Estatístico para a Determinação do Número Ótimo de Iterações do Filtro de Difusão Anisotrópica Aplicado à Redução de Ruído de Imagens de Ressonância Magnética do Cérebro", Y. Saito, R.J. Ferrari 1, J. Teixeira, A.P.L.F. de Carvalho, P.M. de Azevedo Marques, A.C. dos Santos, Revista de Informática Teórica e Aplicada, 16(3), pp. 1-19, A. Madabhushi and J. K. Udupa, New methods of MR image intensity standardization via generalized scale, Medical Physics, 33(9): , J. L. Lancaster, D. Todesillas-Gutierrez, M. Martinez, F. Salinas, A. Evans, K. Zilles, J. C. Mazziotta, and P. T. Fox, Bias between MNI and Talairach coordinates analyzed using the ICBM-152 brain template, Human Brain Mapping, 28: , S. M. Stephen Fast robust automated brain extraction, Human Brain Mapping, 17(3): , F. J. V. Zuben IA Redes Neurais, Available: ftp://ftp.dca.fee.unicamp.br/pub/docs/vonzuben/ia353_01/revisao/tema19.doc, Access date: 20/03/2012.

PALAVRAS-CHAVE: Massas Nodulares, Classificação de Padrões, Redes Multi- Layer Perceptron.

PALAVRAS-CHAVE: Massas Nodulares, Classificação de Padrões, Redes Multi- Layer Perceptron. 1024 UMA ABORDAGEM BASEADA EM REDES PERCEPTRON MULTICAMADAS PARA A CLASSIFICAÇÃO DE MASSAS NODULARES EM IMAGENS MAMOGRÁFICAS Luan de Oliveira Moreira¹; Matheus Giovanni Pires² 1. Bolsista PROBIC, Graduando

Leia mais

29/08/2011. Radiologia Digital. Princípios Físicos da Imagem Digital 1. Mapeamento não-linear. Unidade de Aprendizagem Radiológica

29/08/2011. Radiologia Digital. Princípios Físicos da Imagem Digital 1. Mapeamento não-linear. Unidade de Aprendizagem Radiológica Mapeamento não-linear Radiologia Digital Unidade de Aprendizagem Radiológica Princípios Físicos da Imagem Digital 1 Professor Paulo Christakis 1 2 Sistema CAD Diagnóstico auxiliado por computador ( computer-aided

Leia mais

VISUALIZAÇÃO VOLUMÉTRICA DE EXAMES DE RESSONÂNCIA MAGNÉTICA DA MAMA

VISUALIZAÇÃO VOLUMÉTRICA DE EXAMES DE RESSONÂNCIA MAGNÉTICA DA MAMA PIBIC-UFU, CNPq & FAPEMIG Universidade Federal de Uberlândia Pró-Reitoria de Pesquisa e Pós-Graduação DIRETORIA DE PESQUISA VISUALIZAÇÃO VOLUMÉTRICA DE EXAMES DE RESSONÂNCIA MAGNÉTICA DA MAMA Gabriel Jara

Leia mais

Complemento II Noções Introdutória em Redes Neurais

Complemento II Noções Introdutória em Redes Neurais Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações

Leia mais

Análise e visualização de dados utilizando redes neurais artificiais auto-organizáveis

Análise e visualização de dados utilizando redes neurais artificiais auto-organizáveis Análise e visualização de dados utilizando redes neurais artificiais auto-organizáveis Adriano Lima de Sá Faculdade de Computação Universidade Federal de Uberlândia 20 de junho de 2014 Adriano L. Sá (UFU)

Leia mais

3 Metodologia de Previsão de Padrões de Falha

3 Metodologia de Previsão de Padrões de Falha 3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar

Leia mais

Projeto de Redes Neurais e MATLAB

Projeto de Redes Neurais e MATLAB Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação

Leia mais

MLP (Multi Layer Perceptron)

MLP (Multi Layer Perceptron) MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -

Leia mais

Redes Neurais. Mapas Auto-Organizáveis. 1. O Mapa Auto-Organizável (SOM) Prof. Paulo Martins Engel. Formação auto-organizada de mapas sensoriais

Redes Neurais. Mapas Auto-Organizáveis. 1. O Mapa Auto-Organizável (SOM) Prof. Paulo Martins Engel. Formação auto-organizada de mapas sensoriais . O Mapa Auto-Organizável (SOM) Redes Neurais Mapas Auto-Organizáveis Sistema auto-organizável inspirado no córtex cerebral. Nos mapas tonotópicos do córtex, p. ex., neurônios vizinhos respondem a freqüências

Leia mais

Aprendizagem de Máquina

Aprendizagem de Máquina Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem

Leia mais

Figura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001

Figura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001 47 5 Redes Neurais O trabalho em redes neurais artificiais, usualmente denominadas redes neurais ou RNA, tem sido motivado desde o começo pelo reconhecimento de que o cérebro humano processa informações

Leia mais

MINERAÇÃO DE DADOS PARA DETECÇÃO DE SPAMs EM REDES DE COMPUTADORES

MINERAÇÃO DE DADOS PARA DETECÇÃO DE SPAMs EM REDES DE COMPUTADORES MINERAÇÃO DE DADOS PARA DETECÇÃO DE SPAMs EM REDES DE COMPUTADORES Kelton Costa; Patricia Ribeiro; Atair Camargo; Victor Rossi; Henrique Martins; Miguel Neves; Ricardo Fontes. kelton.costa@gmail.com; patriciabellin@yahoo.com.br;

Leia mais

Aula 2 RNA Arquiteturas e Treinamento

Aula 2 RNA Arquiteturas e Treinamento 2COP229 Aula 2 RNA Arquiteturas e Treinamento 2COP229 Sumário 1- Arquiteturas de Redes Neurais Artificiais; 2- Processos de Treinamento; 2COP229 1- Arquiteturas de Redes Neurais Artificiais -Arquitetura:

Leia mais

SEGMENTAÇÃO DE IMAGENS EM PLACAS AUTOMOTIVAS

SEGMENTAÇÃO DE IMAGENS EM PLACAS AUTOMOTIVAS SEGMENTAÇÃO DE IMAGENS EM PLACAS AUTOMOTIVAS André Zuconelli 1 ; Manassés Ribeiro 2 1. Aluno do Curso Técnico em Informática, turma 2010, Instituto Federal Catarinense, Câmpus Videira, andre_zuconelli@hotmail.com

Leia mais

Nathalie Portugal Vargas

Nathalie Portugal Vargas Nathalie Portugal Vargas 1 Introdução Trabalhos Relacionados Recuperação da Informação com redes ART1 Mineração de Dados com Redes SOM RNA na extração da Informação Filtragem de Informação com Redes Hopfield

Leia mais

IN0997 - Redes Neurais

IN0997 - Redes Neurais IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Ementa

Leia mais

Matlab - Neural Networw Toolbox. Ana Lívia Soares Silva de Almeida

Matlab - Neural Networw Toolbox. Ana Lívia Soares Silva de Almeida 27 de maio de 2014 O que é a Neural Networw Toolbox? A Neural Network Toolbox fornece funções e aplicativos para a modelagem de sistemas não-lineares complexos que não são facilmente modelados com uma

Leia mais

2 Trabalhos Relacionados

2 Trabalhos Relacionados 2 Trabalhos Relacionados O desenvolvimento de técnicas de aquisição de imagens médicas, em particular a tomografia computadorizada (TC), que fornecem informações mais detalhadas do corpo humano, tem aumentado

Leia mais

PROTÓTIPO DE SOFTWARE PARA APRENDIZAGEM DE REDES NEURAIS ARTIFICIAIS

PROTÓTIPO DE SOFTWARE PARA APRENDIZAGEM DE REDES NEURAIS ARTIFICIAIS Anais do XXXIV COBENGE. Passo Fundo: Ed. Universidade de Passo Fundo, Setembro de 2006. ISBN 85-7515-371-4 PROTÓTIPO DE SOFTWARE PARA APRENDIZAGEM DE REDES NEURAIS ARTIFICIAIS Rejane de Barros Araújo rdebarros_2000@yahoo.com.br

Leia mais

TÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA

TÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA TÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA CATEGORIA: CONCLUÍDO ÁREA: ENGENHARIAS E ARQUITETURA SUBÁREA: ENGENHARIAS

Leia mais

Redes Neurais. Profa. Flavia Cristina Bernardini

Redes Neurais. Profa. Flavia Cristina Bernardini Redes Neurais Profa. Flavia Cristina Bernardini Introdução Cérebro & Computador Modelos Cognitivos Diferentes Cérebro Computador Seqüência de Comandos Reconhecimento de Padrão Lento Rápido Rápido Lento

Leia mais

3 Estado da arte em classificação de imagens de alta resolução

3 Estado da arte em classificação de imagens de alta resolução 37 3 Estado da arte em classificação de imagens de alta resolução Com a recente disponibilidade de imagens de alta resolução produzidas por sensores orbitais como IKONOS e QUICKBIRD se tornou-se possível

Leia mais

Identificação de Caracteres com Rede Neuronal Artificial com Interface Gráfica

Identificação de Caracteres com Rede Neuronal Artificial com Interface Gráfica Identificação de Caracteres com Rede Neuronal Artificial com Interface Gráfica João Paulo Teixeira*, José Batista*, Anildio Toca**, João Gonçalves**, e Filipe Pereira** * Departamento de Electrotecnia

Leia mais

UBER: Uma ferramenta para realce de microcalcificações mamárias

UBER: Uma ferramenta para realce de microcalcificações mamárias Departamento de Sistemas e Computação FURB Curso de Ciência da Computação Trabalho de Conclusão de Curso 2013/2 UBER: Uma ferramenta para realce de microcalcificações mamárias Acadêmico: Jackson Krause

Leia mais

RECONHECIMENTO DE PLACAS DE AUTOMÓVEIS ATRAVÉS DE CÂMERAS IP

RECONHECIMENTO DE PLACAS DE AUTOMÓVEIS ATRAVÉS DE CÂMERAS IP RECONHECIMENTO DE PLACAS DE AUTOMÓVEIS ATRAVÉS DE CÂMERAS IP Caio Augusto de Queiroz Souza caioaugusto@msn.com Éric Fleming Bonilha eric@digifort.com.br Gilson Torres Dias gilson@maempec.com.br Luciano

Leia mais

UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS

UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS VINICIUS DA SILVEIRA SEGALIN FLORIANÓPOLIS OUTUBRO/2013 Sumário

Leia mais

Redes Neurais Construtivas. Germano Crispim Vasconcelos Centro de Informática - UFPE

Redes Neurais Construtivas. Germano Crispim Vasconcelos Centro de Informática - UFPE Redes Neurais Construtivas Germano Crispim Vasconcelos Centro de Informática - UFPE Motivações Redes Feedforward têm sido bastante utilizadas em aplicações de Reconhecimento de Padrões Problemas apresentados

Leia mais

UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS

UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS Curso: Informática Disciplina: Redes Neurais Prof. Fernando Osório E-mail: osorio@exatas.unisinos.br EXEMPLO DE QUESTÕES DE PROVAS ANTIGAS 1. Supondo que

Leia mais

tipos de métodos, técnicas de inteligência artificial e técnicas de otimização. Por fim, concluise com as considerações finais.

tipos de métodos, técnicas de inteligência artificial e técnicas de otimização. Por fim, concluise com as considerações finais. 1. Introdução A previsão de vendas é fundamental para as organizações uma vez que permite melhorar o planejamento e a tomada de decisão sobre o futuro da empresa. Contudo toda previsão carrega consigo

Leia mais

15 Computador, projeto e manufatura

15 Computador, projeto e manufatura A U A UL LA Computador, projeto e manufatura Um problema Depois de pronto o desenho de uma peça ou objeto, de que maneira ele é utilizado na fabricação? Parte da resposta está na Aula 2, que aborda as

Leia mais

Aprendizagem de Máquina

Aprendizagem de Máquina Aprendizagem de Máquina Alessandro L. Koerich Algoritmo k Means Mestrado/Doutorado em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUCPR) 2 Problema do Agrupamento Seja x = (x 1, x 2,,

Leia mais

Comparação entre a Máscara de Nitidez Cúbica e o Laplaciano para Realce de Imagens Digitais

Comparação entre a Máscara de Nitidez Cúbica e o Laplaciano para Realce de Imagens Digitais Comparação entre a Máscara de Nitidez Cúbica e o Laplaciano para Realce de Imagens Digitais Wesley B. Dourado, Renata N. Imada, Programa de Pós-Graduação em Matemática Aplicada e Computacional, FCT, UNESP,

Leia mais

W. R. Silva Classificação de Mamografias pela densidade do tecido mamário

W. R. Silva Classificação de Mamografias pela densidade do tecido mamário Classificação de Mamografias pela densidade do tecido mamário Welber Ribeiro da Silva Universidade Federal de Ouro Preto Campus Universitário, Ouro Preto MG Brazil 19 de Abril de 2012 Definição Câncer

Leia mais

Do neurônio biológico ao neurônio das redes neurais artificiais

Do neurônio biológico ao neurônio das redes neurais artificiais Do neurônio biológico ao neurônio das redes neurais artificiais O objetivo desta aula é procurar justificar o modelo de neurônio usado pelas redes neurais artificiais em termos das propriedades essenciais

Leia mais

Redes Neurais. A IA clássica segue o paradigma da computação simbólica

Redes Neurais. A IA clássica segue o paradigma da computação simbólica Abordagens não simbólicas A IA clássica segue o paradigma da computação simbólica Redes Neurais As redes neurais deram origem a chamada IA conexionista, pertencendo também a grande área da Inteligência

Leia mais

UNIVERSIDADE FEDERAL DE SANTA CATARINA

UNIVERSIDADE FEDERAL DE SANTA CATARINA UNIVERSIDADE FEDERAL DE SANTA CATARINA CIÊNCIAS DA COMPUTAÇÃO MÁQUINAS DE COMITÊ APLICADAS À FILTRAGEM DE SPAM Monografia submetida à UNIVERSIDADE FEDERAL DE SANTA CATARINA para a obtenção do grau de BACHAREL

Leia mais

Relatório da Aula Prática sobre Redes Neurais Artificiais

Relatório da Aula Prática sobre Redes Neurais Artificiais Relatório da Aula Prática sobre Redes Neurais Artificiais Instituto de Informática UFRGS Carlos Eduardo Ramisch Cartão: 134657 INF01017 Redes Neurais e Sistemas Fuzzy Porto Alegre, 16 de outubro de 2006.

Leia mais

Processamento de Imagem. Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com

Processamento de Imagem. Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Visão Computacional Não existe um consenso entre os autores sobre o correto escopo do processamento de imagens, a

Leia mais

Redes neurais aplicadas na identificação de variedades de soja

Redes neurais aplicadas na identificação de variedades de soja Redes neurais aplicadas na identificação de variedades de soja Fábio R. R. Padilha Universidade Regional do Noroeste do Estado do Rio Grande do Sul - UNIJUÍ Rua São Francisco, 5 - Sede Acadêmica, 987-,

Leia mais

Revista Hispeci & Lema On Line ano III n.3 nov. 2012 ISSN 1980-2536 unifafibe.com.br/hispecielemaonline Centro Universitário UNIFAFIBE Bebedouro-SP

Revista Hispeci & Lema On Line ano III n.3 nov. 2012 ISSN 1980-2536 unifafibe.com.br/hispecielemaonline Centro Universitário UNIFAFIBE Bebedouro-SP Reconhecimento de face utilizando banco de imagens monocromáticas e coloridas através dos métodos da análise do componente principal (PCA) e da Rede Neural Artificial (RNA) [Recognition to face using the

Leia mais

Modelos Pioneiros de Aprendizado

Modelos Pioneiros de Aprendizado Modelos Pioneiros de Aprendizado Conteúdo 1. Hebb... 2 2. Perceptron... 5 2.1. Perceptron Simples para Classificaçãod e Padrões... 6 2.2. Exemplo de Aplicação e Motivação Geométrica... 9 2.3. Perceptron

Leia mais

Figura 01: Aplicações do Filtro Espacial Passa-Baixa.

Figura 01: Aplicações do Filtro Espacial Passa-Baixa. 791 IMPLEMENTAÇÃO DE TÉCNICAS DE PRÉ-PROCESSAMENTO E PROCESSAMENTO DE IMAGENS PARA RADIOGRAFIAS CARPAIS Rafael Lima Alves 1 ; Michele Fúlvia Angelo 2 Bolsista PROBIC, Graduando em Engenharia de Computação,

Leia mais

Aprendizagem de Máquina

Aprendizagem de Máquina Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala [quinta-feira, 7:30 12:00] Atendimento Segunda

Leia mais

Pós-Graduação em Engenharia Elétrica Inteligência Artificial

Pós-Graduação em Engenharia Elétrica Inteligência Artificial Pós-Graduação em Engenharia Elétrica Inteligência Artificial João Marques Salomão Rodrigo Varejão Andreão Inteligência Artificial Definição (Fonte: AAAI ): "the scientific understanding of the mechanisms

Leia mais

de Bordas em Imagens Digitais

de Bordas em Imagens Digitais Anais do CNMAC v.2 ISSN 1984-820X Avaliação Quantitativa de um Método Automático de Extração de Bordas em Imagens Digitais Inês A. Gasparotto Boaventura Departamento de Ciências de Computação e Estatística,

Leia mais

Introdução. Capítulo 1

Introdução. Capítulo 1 Capítulo 1 Introdução Em computação, muitos problemas são resolvidos por meio da escrita de um algoritmo que especifica, passo a passo, como resolver um problema. No entanto, não é fácil escrever um programa

Leia mais

Detecção de mudanças em imagens oriundas de sensoriamento remoto, usando conjuntos fuzzy.

Detecção de mudanças em imagens oriundas de sensoriamento remoto, usando conjuntos fuzzy. Detecção de mudanças em imagens oriundas de sensoriamento remoto, usando conjuntos fuzzy. Marcelo Musci Baseado no artigo: Change detection assessment using fuzzy sets and remotely sensed data: an application

Leia mais

Inteligência Artificial. Redes Neurais Artificiais

Inteligência Artificial. Redes Neurais Artificiais Curso de Especialização em Sistemas Inteligentes Aplicados à Automação Inteligência Artificial Redes Neurais Artificiais Aulas Práticas no Matlab João Marques Salomão Rodrigo Varejão Andreão Matlab Objetivos:

Leia mais

Verificação de Impressões Digitais usando Algoritmos Genéticos

Verificação de Impressões Digitais usando Algoritmos Genéticos 1. Introdução Verificação de Impressões Digitais usando Algoritmos Genéticos Matheus Giovanni Pires, Fernando Vieira Duarte, Adilson Gonzaga Escola de Engenharia de São Carlos Universidade de São Paulo

Leia mais

Aplicações Práticas com Redes Neurais Artificiais em Java

Aplicações Práticas com Redes Neurais Artificiais em Java com em Java Luiz D Amore e Mauro Schneider JustJava 2009 17 de Setembro de 2009 Palestrantes Luiz Angelo D Amore luiz.damore@metodista.br Mauro Ulisses Schneider mauro.schneider@metodista.br http://blog.mauros.org

Leia mais

TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE

TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto Estudos Comparativos Recentes - Behavior Scoring Roteiro Objetivo Critérios de Avaliação

Leia mais

UMA ABORDAGEM DE PODA PARA MÁQUINAS DE APRENDIZADO EXTREMO VIA ALGORITMOS GENÉTICOS

UMA ABORDAGEM DE PODA PARA MÁQUINAS DE APRENDIZADO EXTREMO VIA ALGORITMOS GENÉTICOS UMA ABORDAGEM DE PODA PARA MÁQUINAS DE APRENDIZADO EXTREMO VIA ALGORITMOS GENÉTICOS Alisson S. C. Alencar, Ajalmar R. da Rocha Neto Departamento de Computação, Instituto Federal do Ceará (IFCE). Programa

Leia mais

Desenvolvimento do Módulo de Pré-processamento e Geração de Imagens de. Imagens de Teste do Sistema DTCOURO

Desenvolvimento do Módulo de Pré-processamento e Geração de Imagens de. Imagens de Teste do Sistema DTCOURO Desenvolvimento do Módulo de Pré-processamento e Geração de Imagens de Teste do Sistema DTCOURO Willian Paraguassu Amorim 27 de julho de 2005 1 Título Desenvolvimento do Módulo de Pré-processamento e Geração

Leia mais

Aprendizagem de Máquina

Aprendizagem de Máquina Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem

Leia mais

IRM na Esclerose Múltipla

IRM na Esclerose Múltipla IRM na Esclerose Múltipla Índice Autor: Dr. David Araújo Neurorradiologista do Hospital das Clínicas de Ribeirão Preto da Universidade de São Paulo e do Instituto de Diagnóstico por Imagem da Santa Casa

Leia mais

Reconhecimento de Objectos

Reconhecimento de Objectos Dado um conjunto de características, relativas a uma região (objecto), pretende-se atribuir uma classe essa região, seleccionada de um conjunto de classes cujas características são conhecidas O conjunto

Leia mais

Costa, B.L. 1 ; Faria, R.A.M²; Marins, L.S.³. ²Universidade do Estado do Rio de Janeiro / Faculdade de Formação de Professores - rfariageo@hotmail.

Costa, B.L. 1 ; Faria, R.A.M²; Marins, L.S.³. ²Universidade do Estado do Rio de Janeiro / Faculdade de Formação de Professores - rfariageo@hotmail. GERAÇÃO DE MAPA DE USO E COBERTURA DE SOLO UTILIZANDO IMAGENS DE SATÉLITE LANDSAT 8 PARA O SUPORTE AO PLANEJAMENTO MUNICIPAL DO MUNICÍPIO DE NITERÓI RJ. Costa, B.L. 1 ; Faria, R.A.M²; Marins, L.S.³ 1 Universidade

Leia mais

IC Inteligência Computacional Redes Neurais. Redes Neurais

IC Inteligência Computacional Redes Neurais. Redes Neurais Universidade Federal do Rio de Janeiro PÓS-GRADUAÇÃO / 2008-2 IC Inteligência Computacional Redes Neurais www.labic.nce.ufrj.br Antonio G. Thomé thome@nce.ufrj.br Redes Neurais São modelos computacionais

Leia mais

Reconhecimento de marcas de carros utilizando Inteligência Artificial. André Bonna Claudio Marcelo Basckeira Felipe Villela Lourenço Richard Keller

Reconhecimento de marcas de carros utilizando Inteligência Artificial. André Bonna Claudio Marcelo Basckeira Felipe Villela Lourenço Richard Keller Reconhecimento de marcas de carros utilizando Inteligência Artificial André Bonna Claudio Marcelo Basckeira Felipe Villela Lourenço Richard Keller Motivação Análise estatística das marcas de carros em

Leia mais

REALCE DE MICROCALCIFICAÇÕES EM IMAGENS DE MAMOGRAFIA UTILIZANDO FILTROS PASSA-ALTA

REALCE DE MICROCALCIFICAÇÕES EM IMAGENS DE MAMOGRAFIA UTILIZANDO FILTROS PASSA-ALTA REALCE DE MICROCALCIFICAÇÕES EM IMAGENS DE MAMOGRAFIA UTILIZANDO FILTROS PASSA-ALTA Caio Cesar Amorim Borges e Danilo Rodrigues de Carvalho Universidade Federal de Goiás, Escola de Engenharia Elétrica

Leia mais

Relatório Iniciação Científica

Relatório Iniciação Científica Relatório Iniciação Científica Ambientes Para Ensaios Computacionais no Ensino de Neurocomputação e Reconhecimento de Padrões Bolsa: Programa Ensinar com Pesquisa-Pró-Reitoria de Graduação Departamento:

Leia mais

SISTEMAS DE APRENDIZADO PARA A IDENTIFICAÇÃO DO NÚMERO DE CAROÇOS DO FRUTO PEQUI LEARNING SYSTEMS FOR IDENTIFICATION OF PEQUI FRUIT SEEDS NUMBER

SISTEMAS DE APRENDIZADO PARA A IDENTIFICAÇÃO DO NÚMERO DE CAROÇOS DO FRUTO PEQUI LEARNING SYSTEMS FOR IDENTIFICATION OF PEQUI FRUIT SEEDS NUMBER SISTEMAS DE APRENDIZADO PARA A IDENTIFICAÇÃO DO NÚMERO DE CAROÇOS DO FRUTO PEQUI Fernando Luiz de Oliveira 1 Thereza Patrícia. P. Padilha 1 Conceição A. Previero 2 Leandro Maciel Almeida 1 RESUMO O processo

Leia mais

3DODYUDVFKDYH Visão Computacional, Inteligência Artificial, Redes Neurais Artificiais.

3DODYUDVFKDYH Visão Computacional, Inteligência Artificial, Redes Neurais Artificiais. 80,7(0$'(9, 23$5$5(&21+(&,0(172'(3(d$(080 7$%8/(,52'(;$'5(= Sérgio Faustino Ribeiro Juracy Emanuel M. da França Marcelo Alves de Barros José Homero Feitosa Cavalcanti Universidade Federal da Paraíba CCT/COPIN/NEUROLAB-CT/DTM

Leia mais

Classificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões

Classificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões Classificação de imagens Autor: Gil Gonçalves Disciplinas: Detecção Remota/Detecção Remota Aplicada Cursos: MEG/MTIG Ano Lectivo: 11/12 Sumário Classificação da imagem (ou reconhecimento de padrões): objectivos

Leia mais

MINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br

MINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para

Leia mais

Radiology: Volume 274: Number 2 February 2015. Amélia Estevão 10.05.2015

Radiology: Volume 274: Number 2 February 2015. Amélia Estevão 10.05.2015 Radiology: Volume 274: Number 2 February 2015 Amélia Estevão 10.05.2015 Objetivo: Investigar a vantagem da utilização da RM nos diferentes tipos de lesões diagnosticadas na mamografia e ecografia classificadas

Leia mais

4 Avaliação Experimental

4 Avaliação Experimental 4 Avaliação Experimental Este capítulo apresenta uma avaliação experimental dos métodos e técnicas aplicados neste trabalho. Base para esta avaliação foi o protótipo descrito no capítulo anterior. Dentre

Leia mais

Sistema de Controle de Acesso Baseado no Reconhecimento de Faces

Sistema de Controle de Acesso Baseado no Reconhecimento de Faces Sistema de Controle de Acesso Baseado no Reconhecimento de Faces Access Control System Based on Face Recognition Tiago A. Neves, Welton S. De Oliveira e Jean-Jacques De Groote Faculdades COC de Ribeirão

Leia mais

Inteligência Artificial

Inteligência Artificial Inteligência Artificial As organizações estão ampliando significativamente suas tentativas para auxiliar a inteligência e a produtividade de seus trabalhadores do conhecimento com ferramentas e técnicas

Leia mais

Relatório de uma Aplicação de Redes Neurais

Relatório de uma Aplicação de Redes Neurais UNIVERSIDADE ESTADUAL DE MONTES CLAROS CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS DEPARTAMENTO DE CIÊNCIAS DA COMPUTACAÇÃO ESPECIALIZAÇÃO EM ENGENHARIA DE SISTEMAS DISCIPLINA: REDES NEURAIS PROFESSOR: MARCOS

Leia mais

CBPF Centro Brasileiro de Pesquisas Físicas. Nota Técnica

CBPF Centro Brasileiro de Pesquisas Físicas. Nota Técnica CBPF Centro Brasileiro de Pesquisas Físicas Nota Técnica Aplicação de Física Médica em imagens de Tomografia de Crânio e Tórax Autores: Dário Oliveira - dario@cbpf.br Marcelo Albuquerque - marcelo@cbpf.br

Leia mais

IW10. Rev.: 02. Especificações Técnicas

IW10. Rev.: 02. Especificações Técnicas IW10 Rev.: 02 Especificações Técnicas Sumário 1. INTRODUÇÃO... 1 2. COMPOSIÇÃO DO IW10... 2 2.1 Placa Principal... 2 2.2 Módulos de Sensores... 5 3. APLICAÇÕES... 6 3.1 Monitoramento Local... 7 3.2 Monitoramento

Leia mais

Engenharia de Software

Engenharia de Software CENTRO UNIVERSITÁRIO NOVE DE JULHO Profº. Edson T. França edson.franca@uninove.br Software Sistemas Conjunto de elementos, entre os quais haja alguma relação Disposição das partes ou dos elementos de um

Leia mais

SISTEMA AUTOMÁTICO DE PULVERIZAÇÃO UTILIZANDO TÉCNICAS DE PROCESSAMENTO DIGITAL DE IMAGENS. PERNOMIAN, Viviane Araujo. DUARTE, Fernando Vieira

SISTEMA AUTOMÁTICO DE PULVERIZAÇÃO UTILIZANDO TÉCNICAS DE PROCESSAMENTO DIGITAL DE IMAGENS. PERNOMIAN, Viviane Araujo. DUARTE, Fernando Vieira REVISTA CIENTÍFICA ELETRÔNICA DE AGRONOMIA ISSN 1677-0293 PERIODICIDADE SEMESTRAL ANO III EDIÇÃO NÚMERO 5 JUNHO DE 2004 -------------------------------------------------------------------------------------------------------------------------------

Leia mais

Verificação de Qualidade de Imagens de Fundo de Olho a Partir de Descritores Baseados em Histogramas. Marina Silva Fouto - Reconhecimento de Padrões

Verificação de Qualidade de Imagens de Fundo de Olho a Partir de Descritores Baseados em Histogramas. Marina Silva Fouto - Reconhecimento de Padrões Verificação de Qualidade de Imagens de Fundo de Olho a Partir de Descritores Baseados em Histogramas Marina Silva Fouto - Reconhecimento de Padrões Tópicos Importância Trabalhos Relacionados Imagens e

Leia mais

Descritores de textura na análise de imagens de microtomografia computadorizada

Descritores de textura na análise de imagens de microtomografia computadorizada Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Descritores de textura na análise de imagens de microtomografia computadorizada Sandro R. Fernandes Departamento de Educação e Tecnologia, Núcleo de

Leia mais

Algoritmos Indutores de Árvores de

Algoritmos Indutores de Árvores de Algoritmos Indutores de Árvores de Decisão Fabrício J. Barth Sistemas Inteligentes Análise e Desenvolvimento de Sistemas Faculdades de Tecnologia Bandeirantes Abril de 2013 Problema: Diagnóstico para uso

Leia mais

UNIVERSIDADE F EDERAL DE P ERNAMBUCO ANÁLISE DE UM MÉTODO PARA DETECÇÃO DE PEDESTRES EM IMAGENS PROPOSTA DE TRABALHO DE GRADUAÇÃO

UNIVERSIDADE F EDERAL DE P ERNAMBUCO ANÁLISE DE UM MÉTODO PARA DETECÇÃO DE PEDESTRES EM IMAGENS PROPOSTA DE TRABALHO DE GRADUAÇÃO UNIVERSIDADE F EDERAL DE P ERNAMBUCO GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO CENTRO DE INFORMÁTICA 2010.2 ANÁLISE DE UM MÉTODO PARA DETECÇÃO DE PEDESTRES EM IMAGENS PROPOSTA DE TRABALHO DE GRADUAÇÃO Aluno!

Leia mais

UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS

UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS Obter uma imagem temática a partir de métodos de classificação de imagens multi- espectrais 1. CLASSIFICAÇÃO POR PIXEL é o processo de extração

Leia mais

Aplicação de Ensembles de Classificadores na Detecção de Patologias na Coluna Vertebral

Aplicação de Ensembles de Classificadores na Detecção de Patologias na Coluna Vertebral Aplicação de Ensembles de Classificadores na Detecção de Patologias na Coluna Vertebral Hedenir M. Pinheiro Instituto de Informática Universidade Federal de Goiás (UFG) Caixa Postal 131 74001-970 Goiânia

Leia mais

Inteligência Computacional [2COP229]

Inteligência Computacional [2COP229] Inteligência Computacional [2COP229] Mestrado em Ciência da Computação Sylvio Barbon Jr barbon@uel.br (2/24) Tema Aula 1 Introdução ao Reconhecimento de Padrões 1 Introdução 2 Componentes clássicos da

Leia mais

SOFTWARE PARA IDENTIFICAÇÃO E CLASSIFICAÇÃO DE CÉLULAS DO ENDOTÉLIO CORNEANO DESENVOLVIDO PARA DISPOSITIVOS MÓVEIS

SOFTWARE PARA IDENTIFICAÇÃO E CLASSIFICAÇÃO DE CÉLULAS DO ENDOTÉLIO CORNEANO DESENVOLVIDO PARA DISPOSITIVOS MÓVEIS 221 SOFTWARE PARA IDENTIFICAÇÃO E CLASSIFICAÇÃO DE CÉLULAS DO ENDOTÉLIO CORNEANO DESENVOLVIDO PARA DISPOSITIVOS MÓVEIS Jean-Jacques S. De Groote - Prof. Dr. do Centro Universitário Uniseb de Ribeirão Preto.

Leia mais

17/10/2012. dados? Processo. Doutorado em Engenharia de Produção Michel J. Anzanello. Doutorado EP - 2. Doutorado EP - 3.

17/10/2012. dados? Processo. Doutorado em Engenharia de Produção Michel J. Anzanello. Doutorado EP - 2. Doutorado EP - 3. Definição de Data Mining (DM) Mineração de Dados (Data Mining) Doutorado em Engenharia de Produção Michel J. Anzanello Processo de explorar grandes quantidades de dados à procura de padrões consistentes

Leia mais

Doenças cardiovasculares constituem um dos maiores problemas que afligem a

Doenças cardiovasculares constituem um dos maiores problemas que afligem a 18 1 INTRODUÇÃO Doenças cardiovasculares constituem um dos maiores problemas que afligem a população dos países industrializados. Essas doenças são responsáveis por mais de cinco milhões de pessoas hospitalizadas

Leia mais

Vetor Quantização e Aglomeramento (Clustering)

Vetor Quantização e Aglomeramento (Clustering) (Clustering) Introdução Aglomeramento de K-partes Desafios do Aglomeramento Aglomeramento Hierárquico Aglomeramento divisivo (top-down) Aglomeramento inclusivo (bottom-up) Aplicações para o reconhecimento

Leia mais

CorelDRAW 11 1. UM PROGRAMA DE DESIGN

CorelDRAW 11 1. UM PROGRAMA DE DESIGN CorelDRAW 11 1. UM PROGRAMA DE DESIGN Com o Corel você vai trabalhar com um dos aplicativos mais usados no campo do design e da auto-edição, já que permite operar com dois tipos de gráficos (vetoriais

Leia mais

O que é a ciência de dados (data science). Discussão do conceito. Luís Borges Gouveia Universidade Fernando Pessoa Versão 1.

O que é a ciência de dados (data science). Discussão do conceito. Luís Borges Gouveia Universidade Fernando Pessoa Versão 1. O que é a ciência de dados (data science). Discussão do conceito Luís Borges Gouveia Universidade Fernando Pessoa Versão 1.3, Outubro, 2015 Nota prévia Esta apresentação tem por objetivo, proporcionar

Leia mais

ESTUDO DOS DADOS DA LIXIVIAÇÃO DOS MATERIAIS DE ELETRODOS DE PILHAS EM HCl POR REDE NEURAL

ESTUDO DOS DADOS DA LIXIVIAÇÃO DOS MATERIAIS DE ELETRODOS DE PILHAS EM HCl POR REDE NEURAL ESTUDO DOS DADOS DA LIXIVIAÇÃO DOS MATERIAIS DE ELETRODOS DE PILHAS EM HCl POR REDE NEURAL Macêdo, M. I. F 1, Rosa, J. L. A. 2, Gonçalves, F. 2, Boente, A. N. P. 2 1 Laboratório de Tecnologia de Materiais,

Leia mais

RECONHECIMENTO DE OBJETOS CONTIDOS EM IMAGENS ATRAVÉS DE REDES NEURAIS

RECONHECIMENTO DE OBJETOS CONTIDOS EM IMAGENS ATRAVÉS DE REDES NEURAIS RECONHECIMENTO DE OBJETOS CONTIDOS EM IMAGENS ATRAVÉS DE REDES NEURAIS LUIZ EDUARDO NICOLINI DO PATROCÍNIO NUNES Departamento de Engenharia Mecânica Universidade de Taubaté PEDRO PAULO LEITE DO PRADO Departamento

Leia mais

Aprendizagem automática Mapas auto-organizativos (SOMs)

Aprendizagem automática Mapas auto-organizativos (SOMs) Aprendizagem automática Mapas auto-organizativos (SOMs) 1 Redes neuronais de Kohonen self-organizing maps (SOMS) Visão algébrica dum conjunto de informação (valores, sinais, magnitudes,...) vs. Visão topológica

Leia mais

Palavras-chave: Sistema neuro-fuzzy, Sistemas de avaliação, Sistemas Adaptativos.

Palavras-chave: Sistema neuro-fuzzy, Sistemas de avaliação, Sistemas Adaptativos. ANÁLISE DO CURSO DE ENGENHARIA ELÉTRICA NA UERJ A PARTIR DE INDICADORES CONSTRUÍDOS BASEADOS NO EXAME NACIONAL DE CURSOS: UM SISTEMA NEBULOSO DE AVALIAÇÃO Maria Luiza F. Velloso mlfv@centroin.com.br Universidade

Leia mais

Prof. Msc. Paulo Muniz de Ávila

Prof. Msc. Paulo Muniz de Ávila Prof. Msc. Paulo Muniz de Ávila O que é Data Mining? Mineração de dados (descoberta de conhecimento em bases de dados): Extração de informação interessante (não-trivial, implícita, previamente desconhecida

Leia mais

Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro

Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro Tiago Mendes Dantas t.mendesdantas@gmail.com Departamento de Engenharia Elétrica,

Leia mais

2.1.2 Definição Matemática de Imagem

2.1.2 Definição Matemática de Imagem Capítulo 2 Fundamentação Teórica Este capítulo descreve os fundamentos e as etapas do processamento digital de imagens. 2.1 Fundamentos para Processamento Digital de Imagens Esta seção apresenta as propriedades

Leia mais

AVISO DE SEGURANÇA EM CAMPO/NOTIFICAÇÃO DE PRODUTO

AVISO DE SEGURANÇA EM CAMPO/NOTIFICAÇÃO DE PRODUTO AVISO DE SEGURANÇA EM CAMPO/NOTIFICAÇÃO DE PRODUTO Assunto: Software de Planejamento de Tratamento por Radiação da Brainlab: Para uso em software Brainlab, sequências de imagens (excluindo tomografias)

Leia mais

ESTUDOS SOBRE A IMPLEMENTAÇÃO ONLINE DE UMA TÉCNICA DE ESTIMAÇÃO DE ENERGIA NO CALORÍMETRO HADRÔNICO DO ATLAS

ESTUDOS SOBRE A IMPLEMENTAÇÃO ONLINE DE UMA TÉCNICA DE ESTIMAÇÃO DE ENERGIA NO CALORÍMETRO HADRÔNICO DO ATLAS UNIVERSIDADE FEDERAL DE JUIZ DE FORA ESTUDOS SOBRE A IMPLEMENTAÇÃO ONLINE DE UMA TÉCNICA DE ESTIMAÇÃO DE ENERGIA NO CALORÍMETRO HADRÔNICO DO ATLAS EM CENÁRIOS DE ALTA LUMINOSIDADE ALUNO: MARCOS VINÍCIUS

Leia mais

Simulador de Redes Neurais Multiplataforma

Simulador de Redes Neurais Multiplataforma Simulador de Redes Neurais Multiplataforma Lucas Hermann Negri 1, Claudio Cesar de Sá 2, Ademir Nied 1 1 Departamento de Engenharia Elétrica Universidade do Estado de Santa Catarina (UDESC) Joinville SC

Leia mais

Avaliação de técnicas de seleção de quadros-chave na recuperação de informação por conteúdo visual

Avaliação de técnicas de seleção de quadros-chave na recuperação de informação por conteúdo visual Avaliação de técnicas de seleção de quadros-chave na recuperação de informação por conteúdo visual Shênia Salvador de Pinho, Kleber J. F. Souza Instituto de Ciências Exatas e Informática PUC Minas Guanhães,

Leia mais

ANÁLISE DE PRÉ-PROCESSAMENTO NO DESEMPENHO DE PREVISÃO DE SÉRIES TEMPORAIS FINANCEIRAS

ANÁLISE DE PRÉ-PROCESSAMENTO NO DESEMPENHO DE PREVISÃO DE SÉRIES TEMPORAIS FINANCEIRAS Universidade Federal de Pernambuco Centro de Informática Graduação em Ciência da Computação ANÁLISE DE PRÉ-PROCESSAMENTO NO DESEMPENHO DE PREVISÃO DE SÉRIES TEMPORAIS FINANCEIRAS PROPOSTA DE TRABALHO DE

Leia mais

ORANGE TREES IMAGE SEGMENTATION WITH SELF-ORGANIZED MAPS ABSTRACT

ORANGE TREES IMAGE SEGMENTATION WITH SELF-ORGANIZED MAPS ABSTRACT SEGMENTAÇÃO DE IMAGENS DE LARANJEIRAS COM MAPAS AUTO-ORGANIZÁVEIS FELIPE ALVES CAVANI 1 MÁRIO LUIZ TRONCO 2 RAFAEL VIEIRA DE SOUSA 3 ARTHUR JOSÉ VIEIRA PORTO 4 RESUMO A complexidade presente nas imagens

Leia mais