Introdução Trabalhos Relacionados Metodologia Resultados Considerações Finais. Aluna: Aline Dartora Orientador: Prof. Dr. Lucas Ferrari de Oliveira
|
|
- Rodrigo da Cunha Pacheco
- 6 Há anos
- Visualizações:
Transcrição
1 Análise de Extratores de Características para a Classificação de Tecidos Pulmonares e Não-Pulmonares em Imagens de Tomografia Computadorizada de Alta Resolução Aluna: Aline Dartora Orientador: Prof. Dr. Lucas Ferrari de Oliveira Departamento de Informática Universidade Federal do Paraná (UFPR) 15 de dezembro de 2015
2 Sumário Introdução; Doenças Pulmonares Intersticiais; Tomografia Computadorizada; Padrões Radiológicos; Sistemas de auxílio ao dignóstico; Trabalhos Relacionados; Metodologia: Bases de Imagens; Extração de Características; Classificação; Fusão de Classificadores; Resultados; Considerações Finais; Trabalhos Futuros.
3 Contextualização do Problema Doenças Pulmonares Interticiais e a incidência de câncer do pulmão; Grupo heterogêneo representado por mais de 150 doenças; Alterações gradual do parênquima pulmonar; Tomografia Computadorizada: Diagnóstico de DPIs, quantificação da gravidade da doença, terapia e/ou planejamento cirúrgico e detecção não invasiva; Restrições: aparência similar de padrões anormais de doenças pulmonares; Sistemas de auxílio ao diagnóstico (CAD) para complementariedade do diagnóstico.
4 Motivação Segmentação de ROIs em Imagens de TCAR do pulmão é o primeiro passo para o desenvolvimento de um sistema CAD; Segmentar uma imagem simplifica e a altera para algo que é mais significativo e fácil de analisar; Identificar padrões pulmonares e não pulmonares auxilia na resolução do problema de segmentação do pulmão em imagens de TC; Definir as características mais discriminantes na classificação de tecido pulmonar e a parte que não é pulmão.
5 Objetivos Objetivos Principal Analisar diferentes métodos de extração de características para classificação de padrões pulmonares. Objetivos Específicos Identificar nos dados utilizados as classes de tecido pulmonar e tecido não pulmonar. Avaliar os descritores utilizados por meio da validação cruzada com uma abordagem leave-one-patient-out; Utilizar um método de aprendizado supervisionado para reconhecimento de padrões; Combinar as saídas dos melhores seletores de características por meio de um método de fusão de classificadores;
6 Doenças Pulmonares Intersticiais (DPIs) Grupo heterogêneo de distúrbios; Semelhança clínica, radiológica, fisiológica ou manifestações patológicas. Figura 1: Processo de diagnóstico de DPIs.
7 Tomografia Computadorizada A TCAR está se tornando prática padrão no diagnóstico de DPIs; Permite a visualização detalhada do parênquima pulmonar; Armazenamento da imagem: Formato DICOM; Figura 2: Modelo de comunicação DICOM.
8 Tomografia Computadorizada Características da Imagem: espessura da fatia entre 1-2mm, com tamanho total de pixels; O valor numérico de cada pixel está relacionado com a atenuação de raios X, e é expresso em Unidades Hounsfield (HU);
9 Padrões Radiológicos DPIs podem ser classificadas de acordo com o padrão da doença. A aparência e quantificação dos tipos de padrões para diagnóstico de DPIs; Restições: Aparência similar das DPIs.
10 Sistemas CAD Aplicações Etapas Complementar métodos tradicionais de diagnóstco; Melhora na avaliação de doenças; Segunda opinião para os especialistas; Processamento de Imagens Pré-processamento; Segmentação; Extração de candidato; Extração de características; Reconhecimento de Padrões Classificação.
11 Seleção dos trabalhos Relação com a classificação de padrões pulmonares no contexto de: Critérios Segmentação do pulmão; Predição dos diferentes padrões pulmonares de DPIs; Estado da arte; 10 artigos dos últimos cinco anos ( ); Dos 10 artigos 5 usam a mesma base de imagem deste trabalho;
12 Resumo TRABALHO CARACTERÍSTICAS CLASSIFICADOR RESULTADOS CLASSIFICAÇÃO DE TECIDOS PULMONARES Depeursinge et al. (2012) Near-Affine-Invariant, Histograma de níveis de cinza SVM com Kernel Gaussiano 75,81% de sensibilidade Banu et al. (2014) Momentos de cor e BTC K-Means - Asherov et al. (2014) BoVW SVM com kernel Intersecção por histograma 80% de precisão Bagesteiro et al. (2015) CLBP invariante a rotação SVM 98,91% de precisão Dash et al. (2015) Valor de intensidade do pixel MRF, GMM, MS 80,36 de acurácia Mansoor et al. (2014) GLRLM, GLCM Floresta Aleatória 95% de acurácia Montillo et al. (2011) Threshold e características aleatórias Floresta de Decisão 95,33% de acurácia Song et al. (2013) RGLBP, MCHOG Estimações Probabilísticas 82,64% de sensibilidade Histograma, gradiente, Chang et al. (2013) matriz de comprimento, SVM com arquitetura GLCM, de árvore binária transformação top-hat e 92,63% de acurácia análise de agrupamentos Aprendizagem não supervisionada Lim et al. (2013) de características usando a rede neural multiescala gaussiana RBM SVM 89,88% de acurácia
13 Bases de Imagens Depeursinge et al. (2010) Multimedia com uma coleção de casos de doenças intersticiais (DPIs); 113 Conjunto de imagens de TCAR de pixels em formato DICOM; Máscaras do pulmão; ROIs (Regiões de interesse) com anotações de 17 padrões de tecidos; Bagesteiro et al. (2015) Base extraída das imagens de Depeursinge et al. (2010); Imagens com meia sobreposição no eixo x e y de pixels; Contém pelo menos 75% dos pixels pertencente ao padrão da ROI.
14 Visão geral do método proposto Figura 3: Método proposto.
15 Extração de Características Local Binary Pattern - LBP Descritor de Textura; Correspondência do nível de cinza de um pixel e de seus vizinhos. Figura 4: Cálculo do LBP
16 Extração de Características Completed Local Binary Pattern - CLBP Representa uma região local pelo seu pixel central e também por uma transformada local da diferença sinal-magnitude (Local Diference Sign-Magnitude Transform - LDSMT). Esta diferença é decomposta em sinal e magnitude s p = sign(d p ) e m p = d p Figura 5: Estrutura do CLBP.
17 Extração de Características Matriz de Co-ocorrência de Níveis de Cinza Descritor de textura; Experimentos estatísticos realizados sobre a ocorrência de um certo nível de cinza em relação a outros níveis de cinza; Considera a distribuição de intensidades e as posições dos pixels com valores de intensidade iguais ou similares.
18 Extração de Características Histograma de Níveis de Cinza Descritor de textura; Representa o número de pixels correspondentes para cada um dos níveis de cinza presente na imagem; Possibilita definir ROIs usando a escala de Hounsfield.
19 Extração de Características Momentos de Histograma Descritor de textura; Calculados por meio do histograma de intensidade de uma região; Apresentam um conjunto de análises estatísticas dos dados derivados do histograma. O vetor de características: média, desvio padrão, assimetria e curtose.
20 Extração de Características Transformação Top-hat Extrai pequenos elementos e detalhes de dados das imagens; White top-hat; Diferença da imagem com um operador morfológico de abertura; Objetos menores e mais brilhantes; Black top-hat Diferença da imagem com um operador morfológico de fechamento; Objetos menores e mais escuros; O elemento estruturante controla o retorno da transformação top-hat.
21 Extração de Características Experimento Análise das seguintes configurações dos extratores de características: LBP u2 (8,2) ; LBP riu2 (8,2) ; CLBP riu2 (8,2) ; GLCM - contraste, energia, homogeneidade, correlação e segundo momento angular; Histograma - escala HU; Momentos de histograma - escala HU; Top-hat - Elemento estruturante em forma de disco e raio 5;
22 Extração de Características Vetores de Características Figura 6: Relação do descritor e do número de características
23 Classificação Suport Vector Machine - SVM Gera funções de mapeamento de entrada e saída de um conjunto de dados de treinamento rotulados; Separa as classes por meio de hiperplanos que maximizam a margem entre essas classes; Figura 7: Hiperplano Ótimo - Treinamento do SVM
24 Classificação Mapeamento não linear Projeção dos dados em outra dimensão; Função de Kernel: Radial Basis Function ou Gausssian Kernel Figura 8: RBF kernel. onde γ define o comportamento da exponencial.
25 Classificação Separação de Classes Conjuntos de imagens de 102 pacientes; Validação Cruzada com abordagem leave-one-patient-out Avaliação completa sobre a variação do modelo em relação aos dados utilizados; Metodologia de acordo com a prática clínica;
26 Combinação dos classificadores Útil para classificadores individuais bastante independentes; Gera resultados incorporando todas as informações potencializando os pontos fortes de ambos as saídas dos classificadores; As regras de combinação simples utilizadas: Soma, produto, voto majoritário, máximo, mínimo e a média.
27 Métricas de Avaliação Figura 9: Verdadeiro positivo (TP), Falso positivo (FP), Falso negativo (FN), Verdadeiro negativo (TN)
28 Taxa de Reconhecimento do SVM Figura 10: Resultados gerais para a classificação por blocos (em%).
29 Histograma e Top-hat (a) Histograma (b) Top-hat Figura 11: Matriz de confusão dos melhores classificadores. Figura 12: Métricas de avaliação em(%).
30 Conjuntos de Imagens Figura 13: Classificação dos conjuntos de imagem por paciente.
31 Fusão de Classificadores Figura 14: Resultados da fusão dos melhores classificadores (em%).
32 Análise do método Melhores descritores: transformação top-hat e histograma. O uso do SVM na classificação das características extraídas obteve: Top-hat: acurácia de 98,26%; Histograma: acurácia de 98,16%; Melhorias na precisão de classificação entre tecido pulmonar e não pulmonar por meio da fusão de classificadores; A fusão utilizando os cálculos de voto, produto, soma, mínimo, máximo e média obteve uma média de acerto de 99,85%.
33 Trabalhos Futuros Fazer a segmentação do pulmão em imagens de TCAR como primeira etapa de desenvolvimento de um sistema CAD. Avaliar os métodos de extração de características histograma e top-hat por meio de um processo de segmentação de regiões menores que pixels buscando identificar com um maior grau de precisão. Utilizar métricas de avaliação que contabilizem o custo computacional.
34 Obrigada!
Classificação de Padrões por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada
Classificação de Padrões por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada Aline Dartora Prof. David Menotti Departamento de Informática Universidade Federal do Paraná (UFPR) 23 de outubro
Leia maisClassificação de Padrões Radiológicos por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada
Visão Robótica Imagem Classificação de Padrões Radiológicos por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada Aluna: Luiza Dri Bagesteiro Orientador: Prof. Dr. Daniel Weingaertner Co-orientador:
Leia maisAnálise de Extrarores de Características Para a Classificação de Tecidos Pulmonares e Não Pulmonares de Imagens de Tomografia Computadorizada de
Análise de Extrarores de Características Para a Classificação de Tecidos Pulmonares e Não Pulmonares de Imagens de Tomografia Computadorizada de Alta Resolução Aline Dartora, Lucas Ferrari Oliveira, Department
Leia maisSEGMENTAÇÃO POR BLOCOS EM IMAGENS MÉDICAS UTILIZANDO EXTRATORES DE CARACTERÍSTICAS
Artigo Completo XV Congresso Brasileiro de Informática em Saúde 27 a 30 de novembro - Goiânia - Brasil SEGMENTAÇÃO POR BLOCOS EM IMAGENS MÉDICAS UTILIZANDO EXTRATORES DE CARACTERÍSTICAS Aline Dartora 1
Leia maisUSO DE TÉCNICAS DE SEGMENTAÇÃO NA ANÁLISE DE IMAGENS DE TOMOGRAFIA COMPUTADORIZADA DE PULMÕES COM DPOC
USO DE TÉCNICAS DE SEGMENTAÇÃO NA ANÁLISE DE IMAGENS DE TOMOGRAFIA COMPUTADORIZADA DE PULMÕES COM DPOC 1 2 3 Fausta Joaquim Faustino, Álisson Gomes Linhares, John Hebert Da Silva Felix Resumo: O uso das
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 18 Descritores Locais e Frameworks SIFT SURF Viola-Jones
Leia maisAplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo
Aplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo Juliana Patrícia Detroz Professor: André Tavares da Silva Universidade do Estado de Santa Catarina
Leia maisDiagnóstico Médico de Imagem Auxiliado por Computador
Diagnóstico Médico de Imagem Auxiliado por Computador Fundamentos de Sistemas Multimídia Flávio Luiz Seixas 2005 Agenda Agenda: Sistemas CAD Telemedicina Princípios da Tomografia Computadorizada Processamento
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisUNIVERSIDADE FEEVALE RODRIGO FREIBERGER RÖNNAU SEGMENTAÇÃO AUTOMÁTICA DE ÓRGÃOS EM IMAGENS DE TOMOGRAFIA COMPUTADORIZADA DO TÓRAX
UNIVERSIDADE FEEVALE RODRIGO FREIBERGER RÖNNAU SEGMENTAÇÃO AUTOMÁTICA DE ÓRGÃOS EM IMAGENS DE TOMOGRAFIA COMPUTADORIZADA DO TÓRAX (Título Provisório) Anteprojeto de Trabalho de Conclusão Novo Hamburgo
Leia maisAprendizado de Máquina
Aprendizado de Máquina Introdução Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net Luiz S. Oliveira (UFPR) Aprendizado de Máquina 1 / 19 Introdução
Leia maisThiago Zavaschi Orientador: Alessandro Koerich Programa de Pós-Graduação em Informática (PPGIa) Pontifícia Universidade
Thiago Zavaschi (zavaschi@ppgia.pucpr.br) Orientador: Alessandro Koerich Programa de Pós-Graduação em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUC-PR) Conceitos relacionados a classificação
Leia maisDescritores de Imagem
Descritores de Imagem André Tavares da Silva 31 de março de 2014 1 Descritores de imagem (continuação) 1.1 Frameworks de detecção de objetos SIFT (scale-invariant features transform) (Lowe, 1999) SIFT
Leia maisSUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Leia maisVisão computacional. Juliana Patrícia Detroz Orientador: André Tavares Silva
Visão computacional Juliana Patrícia Detroz Orientador: André Tavares Silva Visão computacional Tentativa de replicar a habilidade humana da visão através da percepção e entendimento de uma imagem; Fazer
Leia maisReconhecimento de texturas utilizando padrão binário local e classificador knn.
Reconhecimento de texturas utilizando padrão binário local e classificador knn. Vinicius Santos Andrade 1 Resumo. Através de uma imagem é possível obter inúmeras informações. Portanto, é cada vez mais
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Extração de Características
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Extração de Características Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Entender os conceitos de
Leia maisClassificadores Lineares
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Classificadores Lineares David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Funções Discriminantes Lineares Perceptron Support
Leia maisAUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS
AUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS Introdução Câncer de mama É uma das neoplasias mais comuns que afligem as mulheres Globalmente, a cada 3 min uma mulher é diagnosticada
Leia maisBoas Maneiras em Aprendizado de Máquinas
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Boas Maneiras em Aprendizado de Máquinas David Menotti www.inf.ufpr.br/menotti/ci171-182 Boas Maneiras Agenda Introdução Métricas
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS MÁQUINA DE VETOR DE SUPORTE (SUPPORT VECTOR MACHINES) Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Introdução Poderosa metodologia para resolver problemas de aprendizagem
Leia maisConceitos de Aprendizagem de Máquina e Experimentos. Visão Computacional
Conceitos de Aprendizagem de Máquina e Experimentos Visão Computacional O que você vê? 2 Pergunta: Essa imagem tem um prédio? Classificação 3 Pergunta: Essa imagem possui carro(s)? Detecção de Objetos
Leia maisAprendizagem de Máquina
Plano de Aula Aprendizagem de Máquina Bagging,, Support Vector Machines e Combinação de Classificadores Alessandro L. Koerich Uma visão geral de diversos tópicos relacionados à Aprendizagem de Máquina:
Leia maisDCBD. Avaliação de modelos. Métricas para avaliação de desempenho. Avaliação de modelos. Métricas para avaliação de desempenho...
DCBD Métricas para avaliação de desempenho Como avaliar o desempenho de um modelo? Métodos para avaliação de desempenho Como obter estimativas confiáveis? Métodos para comparação de modelos Como comparar
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Leia maisAula 7 - Representação e Descrição de Estruturas Bi-dimensionais. Prof. Adilson Gonzaga
Aula 7 - Representação e Descrição de Estruturas Bi-dimensionais Prof. Adilson Gonzaga 1 Introdução Objetos ou Segmentos são representados como uma coleção de pixels em uma imagem. Para o reconhecimento
Leia maisProcessamento de Imagens. Texturas
Processamento de Imagens Texturas Exemplos Introdução Texturas Não existe abordagem formal Não existe definição formal São definidas qualitativamente e não há consenso quanto a sua definição quantitativa
Leia maisCombinação de Classificadores (fusão)
Combinação de Classificadores (fusão) André Tavares da Silva andre.silva@udesc.br Livro da Kuncheva Roteiro Sistemas com múltiplos classificadores Fusão por voto majoritário voto majoritário ponderado
Leia maisAnálise e Sugestão Automática de Câncer de Pele através de HOG e SVM
Análise e Sugestão Automática de Câncer de Pele através de HOG e SVM Lucas Bezerra Maia 1, Roberto M. Pinheiro Pereira 1, Thalles Alencar Silva 1, Alexandre César P. Pessoa 1, Geraldo Braz Junior 1 1 Núcleo
Leia maisUma Introdução a SVM Support Vector Machines. Obs: Baseada nos slides de Martin Law
Uma Introdução a SVM Support Vector Machines Obs: Baseada nos slides de Martin Law Sumário Historia das SVMs Duas classes, linearmente separáveis O que é um bom limite para a decisão? Duas classes, não
Leia maisProjeto Multiresolução de Operadores Morfológicos. Morfológicos a Partir de Exemplos
Projeto Multiresolução de Operadores Morfológicos a Partir de Exemplos Daniel André Vaquero Orientador: Junior Barrera Departamento de Ciência da Computação Instituto de Matemática e Estatística (IME)
Leia maisUma Análise Comparativa entre Classificadores para Detecção de Nódulos Pulmonares
Uma Análise Comparativa entre Classificadores para Detecção de Nódulos Pulmonares Laércio Nascimento Mesquita¹, Maria Jaquelane Carvalho de Moura¹, Ivo Alves de Oliveira¹, Alcilene Dalília de Sousa² ¹
Leia maisARTIGO ORIGINAL. Resumo INTRODUÇÃO. Kelser de Souza Kock 1,2, Maria Fernanda Nicolau 3, Cicero Inacio da Silva 4
ARTIGO ORIGINAL Kelser de Souza Kock 1,2, Maria Fernanda Nicolau 3, Cicero Inacio da Silva 4 Resumo : INTRODUÇÃO que, de forma complementar ao raciocínio médico, possibilitam a determinação e o acompanhamento
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 14 Support Vector Machines (SVM) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisSoftware para detecção de melanoma para ios
Software para detecção de melanoma para ios Aluno: Thiago Pradi Orientador: Aurélio Faustino Hoppe Motivação Câncer configura-se como um problema de saúde pública mundial Cânceres de pele tiveram um crescimento
Leia maisExtração de características: textura
Extração de características: textura Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti (ICMCUSP) Extração de características: textura
Leia maisClassificação de arritmias em sinais ECG
Classificação de arritmias em sinais ECG Eduardo Luz Rensso Mora Universidade Federal de Ouro Preto 06/10/2010 Summary 1 Introdução 2 3 4 5 Introdução Comparação entre três métodos para classificação de
Leia maisDeterminação de vícios refrativos oculares utilizando Support Vector Machines
Determinação de vícios refrativos oculares utilizando Support Vector Machines Giampaolo Luiz Libralão, André Ponce de Leon F. de Carvalho, Antonio Valerio Netto, Maria Cristina Ferreira de Oliveira Instituto
Leia mais1.1. Trabalhos Realizados na Área
1 1 Introdução Várias formas de tratamento de lesões de úlceras de perna têm sido empregadas hoje em dia. O método de tratamento dependerá da origem da úlcera bem como de seu estado patológico. Com o objetivo
Leia maisDr. Sylvio Barbon Junior. Departamento de Computação - UEL. 1 o Semestre de 2015
Introdução a Computação Gráfica [5COP100] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre de 2015 Assunto Aula 8 Descritores de Imagens Digitais 2 of 47 Sumário Descritores e Reconhecimento
Leia maisAprendizado de Máquinas. Classificadores Lineares
Universidade Federal do Paraná (UFPR) Departamento de Informática Aprendizado de Máquinas Classificadores Lineares David Menotti, Ph.D. web.inf.ufpr.br/menotti Objetivos Introduzir o conceito de classificação
Leia maisExemplos. Propagação (Reconstrução)
Processamento de Imagens Médicas Morfologia Matemática em Imagens Prof. Luiz Otavio Murta Jr. Informática Biomédica Depto. de Física e Matemática (FFCLRP/USP) Propagação (Reconstrução) lgoritmos Baseados
Leia maisObjetivos. 1. O método desenvolvido usa características de pares de pixeis para fazer estatísticas e formar
Introdução Comidas podem apresentar deformações e variações em sua forma, além de conter muitos ingredientes, nem todos visíveis; Métodos tradicionais de reconhecimento requerem a detecção de características
Leia maisVisão Computacional. Alessandro L. Koerich. Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR)
Visão Computacional Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Análise da Imagem Análise da Imagem O algoritmo opera sobre a imagem e extrai
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem Outras Técnicas Prof. a Joseana Macêdo Fechine Régis
Leia maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 17 Support Vector Machines (SVM) Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor
Leia maisMapeamento do uso do solo para manejo de propriedades rurais
1/28 Mapeamento do uso do solo para manejo de propriedades rurais Teoria Eng. Allan Saddi Arnesen Eng. Frederico Genofre Eng. Marcelo Pedroso Curtarelli 2/28 Conteúdo programático: Capitulo 1: Conceitos
Leia maisCaracterização Automática dos Agentes Causadores de Lesões em Folíolos de Cultivares do Brasil. Suellen Silva de Almeida David Menotti
Caracterização Automática dos Agentes Causadores de Lesões em Folíolos de Cultivares do Brasil Suellen Silva de Almeida David Menotti 1 Introdução Grande ocorrência de ataques de pragas nos cultivares
Leia maisDesenvolvimento de um método para segmentação de imagens histológicas da rede vascular óssea
Desenvolvimento de um método para segmentação de imagens histológicas da rede vascular óssea Pedro Henrique Campos Cunha Gondim Orientador: André Ricardo Backes Coorientador: Bruno Augusto Nassif Travençolo
Leia maisBusca de imagens baseada no conteúdo: Aplicação em imagens médicas
Busca de imagens baseada no conteúdo: Aplicação em imagens médicas Rafael Gessele Orientador: Prof. Dr. Mauro Marcelo Mattos Sumário Introdução Objetivos do trabalho Fundamentação teórica Desenvolvimento
Leia maisReconhecimento e diagnóstico automático de melanoma
Reconhecimento e diagnóstico automático de melanoma Bruno S. Ferreira 1, Paulo V. Vieira 1 1 Universidade Federal do Maranhão(UFMA) Av. dos Portugueses, 1966 - Bacanga, São Luís-MA, 65080-805 Abstract.
Leia maisExtração de Características. Carlos Alexandre Mello
Extração de Características Carlos Alexandre Mello Pós-Graduação em Ciência da Computação Carlos Alexandre Mello cabm@cin.ufpe.br 1 Extração de Características Representação de objetos através de um conjunto
Leia maisProcessamento de Imagens Médicas
Processamento de Imagens Médicas Prof. Dr. Paulo Mazzoncini de Azevedo Marques (pmarques@fmrp.usp.br) Prof. Dr. Lucas Ferrari de Oliveira (lferrari@inf.ufpr.br) DIAGNÓSTICO Teoria da Detecção de Sinal
Leia maisPCC146 RECONHECIMENTO DE PADRÕES Trabalho Pacial
Universidade Federal de Ouro Preto Instituto de Ciências Exatas e Biológicas Programa de Pós-Graduação em Ciência da Computação PCC146 RECONHECIMENTO DE PADRÕES Trabalho Pacial Eduardo Luz Rensso Mora
Leia maisUMA VISÃO SOBRE O PROCESSAMENTO DE IMAGENS. Rogério Vargas DCET UESC Home page: rogerio.in
UMA VISÃO SOBRE O PROCESSAMENTO DE IMAGENS Rogério Vargas DCET UESC Home page: rogerio.in Exemplo de aplicações: automação e visão artificial reconhecimento de caracteres análise de cromossomos veículos
Leia maisTextura. Textura 04/09/2014. Prof. Yandre Costa
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Prof. Yandre Costa - 1 Prof. Yandre Costa Prof. Yandre Costa - 2 é um importante atributo visual presente em imagens,
Leia maisLUIZA DRI BAGESTEIRO CLASSIFICAÇÃO DE PADRÕES RADIOLÓGICOS POR BLOCOS EM IMAGENS NÃO SEGMENTADAS DE TOMOGRAFIA COMPUTADORIZADA
LUIZA DRI BAGESTEIRO CLASSIFICAÇÃO DE PADRÕES RADIOLÓGICOS POR BLOCOS EM IMAGENS NÃO SEGMENTADAS DE TOMOGRAFIA COMPUTADORIZADA Dissertação de mestrado apresentada ao Programa de Pós-Graduação em Informática,
Leia maisDescritores de Imagem (introdução)
Descritores de Imagem (introdução) André Tavares da Silva andre.silva@udesc.br Roteiro da aula Definição de descritor de imagem Extração de Característica Tipos Geral x Específico Global (cor, textura,
Leia maisUNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO. Prof. Yandr re Costa - 1. Prof. Yandre Costa.
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Prof. Yandr re Costa - 1 Textura Prof. Yandre Costa Prof. Yandr re Costa - 2 Textura é um importante atributo visual
Leia maisProcessamento e Análise de Imagem. Aplicações na Imagem Médica
Processamento e Análise de Imagem Aplicações na Imagem Médica António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Tecnologia de Imagem Imagem de Entrada Processamento
Leia maisRoteiro. PCC142 / BCC444 - Mineração de Dados Avaliação de Classicadores. Estimativa da Acurácia. Introdução. Estimativa da Acurácia
Roteiro PCC142 / BCC444 - Mineração de Dados Avaliação de Classicadores Introdução Luiz Henrique de Campos Merschmann Departamento de Computação Universidade Federal de Ouro Preto luizhenrique@iceb.ufop.br
Leia maisRepresentação e Descrição. Guillermo Cámara-Chávez
Representação e Descrição Guillermo Cámara-Chávez Introdução Objetos ou Segmentos são representados como uma coleção de pixels em uma imagem Para o reconhecimento do objeto é necessário descrever as propriedades
Leia maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia maisObservação da influência do uso de séries temporais no mapeamento de formações campestres nativas e pastagens cultivadas no Cerrado brasileiro
Observação da influência do uso de séries temporais no mapeamento de formações campestres nativas e pastagens cultivadas no Cerrado brasileiro Wanderson Santos Costa Trabalho do curso de Introdução ao
Leia maisModelagem da Rede Neural. Modelagem da Rede Neural. Back Propagation. Modelagem da Rede Neural. Modelagem da Rede Neural. Seleção de Variáveis:
Back Propagation Fatores importantes para a modelagem da Rede Neural: Seleção de variáveis; veis; Limpeza dos dados; Representação das variáveis veis de entrada e saída; Normalização; Buscando melhor Generalização
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 6 de outubro de 2016 Segmentação de imagens A segmentação
Leia maisDescritores de Imagem (introdução)
Descritores de Imagem (introdução) André Tavares da Silva andre.silva@udesc.br Roteiro da aula Definição de descritor de imagem Extração de Característica Tipos Geral x Específico Global (cor, textura,
Leia maisMapeamento robótico. Mapeamento semântico. Metodologia. Maquinas de vetores de suporte. Maquinas de vetores de suporte. Modelos ocultos de Markov
Mapeamento robótico Exemplos de mapas: Mapeamento semântico Mapeamento semântico consiste na criação de mapas que não representam apenas a ocupação métrica do ambiente, mas também outras propriedades.
Leia maisRegressão Linear. Fabrício Olivetti de França. Universidade Federal do ABC
Regressão Linear Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Overfitting 2. Treino e Validação 3. Baseline dos modelos 1 Overfitting Overfit Em muitos casos, a amostra de dados coletada
Leia mais1. Introdução. Tecnologia do Estado do Ceará. (IFCE) Sobral CE Brasil
III Escola Regional de Informática do Piauí. Livro Anais - Artigos e Minicursos, v. 1, n. 1, p. 64-69, jun, 2017. www.eripi.com.br/2017 - ISBN: 978-85-7669-395-6 Análise comparativa entre Redes Neurais
Leia mais5 Experimentos Corpus
5 Experimentos 5.1. Corpus A palavra corpus significa corpo em latim. No contexto de Aprendizado de Máquina, corpus se refere a um conjunto de dados utilizados para experimentação e validação de modelos.
Leia maisMinicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 13 Support Vector Machines (SVM) Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisRedes Neurais Convolucionais
André Gustavo Hochuli Orientador: Prof. Dr. Luiz Eduardo Soares de Oliveira Programa de Pós-Graduação em Informática Departamento de Informática UFPR http://www.inf.ufpr.br/aghochuli/caffe/ Redes Neurais
Leia maisDescritores de Imagem (exemplos)
Descritores de Imagem (exemplos) André Tavares da Silva andre.silva@udesc.br Baseado em Penatti (2009) e Silva (2011) Alguns exemplos Descritores baseados em cor Na literatura existem quatro abordagens
Leia maisIntrodução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 2: 1 /59 Programa Dia 1: Apresentação
Leia maisRECONHECIMENTO VISUAL DE NINFAS DE MOSCA BRANCA UTILIZANDO UM MÉTODO HÍBRIDO BASEADO EM CLASSIFICADOR EM CASCASTA E K-NEAREST-NEIGHBOR
RECONHECIMENTO VISUAL DE NINFAS DE MOSCA BRANCA UTILIZANDO UM MÉTODO HÍBRIDO BASEADO EM CLASSIFICADOR EM CASCASTA E K-NEAREST-NEIGHBOR Vinicius Araújo Santos viniciusdt191@hotmail.com Escola de Engenharia
Leia maisClassificação de Textura em Imagens com Redes Neurais Artificiais para Segmentação de Regiões de AVCi em Tomografias Computadorizadas
Classificação de Textura em Imagens com Redes Neurais Artificiais para Segmentação de Regiões de AVCi em Tomografias Computadorizadas Emannuel Diego G. de Freitas, Suzete Elida N. Correia, Carlos Danilo
Leia maisDescoberta de Conhecimento em Bancos de Dados - KDD
Descoberta de Conhecimento em Bancos de Dados - KDD Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Fases do processo 3. Exemplo do DMC 4. Avaliação
Leia maisO reconhecimento facial é dividido em três etapas: i) detecção da face, ii) extração de características e iii) reconhecimento da face.
ESTUDO SOBRE MÉTODOS DE RECONHECIMENTO FACIAL EM FOTOGRAFIAS DIGITAIS Ana Elisa SCHMIDT¹, Elvis Cordeiro NOGUEIRA² ¹ Orientadora e docente do IFC-Campus Camboriú; ² Aluno do curso de Bacharelado em Sistemas
Leia mais2 Reconhecimento Facial
2 Reconhecimento Facial Em termos gerais, o reconhecimento facial é o processo pelo qual se mede o grau de similaridade entre duas imagens faciais com o proposito de identificar a um indivíduo ou de verificar
Leia maisDescoberta de conhecimento em redes sociais e bases de dados públicas
Descoberta de conhecimento em redes sociais e bases de dados públicas Trabalho de Formatura Supervisionado Bacharelado em Ciência da Computação - IME USP Aluna: Fernanda de Camargo Magano Orientadora:
Leia maisConteúdo da Apresentação
Extração de Regras Fuzzy para Máquina de Vetor Suporte (SVM) para Classificação em Múltiplas Classes Adriana da Costa F. Chaves Conteúdo da Apresentação Motivação Método de Extração de Regras Fuzzy Classificação
Leia maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisImplementação de um sistema de validação estatística configurável de dados
Implementação de um sistema de validação estatística configurável de dados Eduardo Dias Filho Supervisores: João Eduardo Ferreira e Pedro Losco Takecian 16 de novembro de 2014 Introdução Table of Contents
Leia maisProcessamento de Imagens. Segmentação por regiões
Processamento de Imagens Segmentação por regiões Inúmeros Métodos Clusterização Baseados em histograma Detecção de bordas Crescimento de regiões Level Set Particionamento de grafos Watershed Baseados em
Leia maisDiego Martin Mancini Orientador: Prof. Paulo A. V. de Miranda Instituto de Matemática e Estatística Universidade de São Paulo
Estudo de comparação do descritor de imagens coloridas BIC empregando diferentes abordagens de classificação de detecção de bordas: Canny e Operador Laplaciano Diego Martin Mancini Orientador: Prof. Paulo
Leia maisAnálise de Imagens. Aula 20: Sistemas com Múltiplos Classificadores. Prof. Alexandre Xavier Falcão.
A.X. Falcão p.1/17 Análise de Imagens Aula 20: Sistemas com Múltiplos Classificadores (Fusão) Prof. Alexandre Xavier Falcão afalcao@ic.unicamp.br. IC - UNICAMP A.X. Falcão p.2/17 Roteiro da Aula Sistemas
Leia maisE\$QGUp/XL]%UD]LO. 0DWUL]HVGHFRRFRUUrQFLDQR0DWK/DE
E\$QGUp/XL]%UD]LO 0DWUL]HVGHFRRFRUUrQFLDQR0DWK/DE O reconhecimento de texturas em imagens é uma atividade importante, que faz parte de uma vasta gama de aplicações em diversas áreas. Dentre elas podemos
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Introdução
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Introdução Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir os conceito básicos de reconhecimento
Leia maisRedes Neurais Convolucionais
André Gustavo Hochuli Orientadores: Dr. Luiz E. S. Oliveira/Dr. Alceu Britto Programa de Pós-Graduação em Informática Departamento de Informática UFPR Neurônio Artificial Redes Neurais - Vetor de Caracteristícas
Leia mais7 Resultados e Discussão
114 7 Resultados e Discussão A fim de avaliar a importância da utilização de imagens polarizadas em medidas de textura, cujo processamento necessita de imagens nos dois modos de captura (campo claro e
Leia mais3 Metodologia de Detecção de Nódulos Pulmonares
3 Metodologia de Detecção de Nódulos Pulmonares Este capítulo apresenta o método de detecção de nódulos pulmonares que é objeto do presente estudo. Na próxima seção, é apresentada a metodologia geral na
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Leia maisSISTEMA AUTOMÁTICO PARA AVALIAÇÃO POSTURAL BASEADO EM DESCRITORES DE IMAGENS
SISTEMA AUTOMÁTICO PARA AVALIAÇÃO POSTURAL BASEADO EM DESCRITORES DE IMAGENS GIAN LUCAS DE OLIVEIRA PAIVA GRADUANDO EM ENGENHARIA ELETRÔNICA ORIENTADOR: PROF. CRISTIANO JACQUES MIOSSO DR. EM ENGENHARIA
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Segmentação. Luiz Eduardo S. Oliveira, Ph.D.
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Segmentação Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir os conceitos básicos de segmentação
Leia maisAvaliação de Descritores de Imagem
Avaliação de Descritores de Imagem André Tavares da Silva andre.silva@udesc.br Descritor O par descritor de imagem e função de distância descreve como as imagens de uma coleção estão distribuídas no espaço
Leia mais