Redução de falsos positivos em imagens de tomografia computadorizada, usando índice de diversidade filogenético e SVM
|
|
- Edison Lopes
- 5 Há anos
- Visualizações:
Transcrição
1 Redução de falsos positivos em imagens de tomografia computadorizada, usando índice de diversidade filogenético e SVM Thayane de O. Simões 1, Otília de S. Santos 1, Antônio O. de C. Filho 1, Patrícia M. L. de L. Drumond 1, Alcilene D. de Sousa 1 1 Campus Senador Helvídio Nunes de Barros - Universidade Federal do Piauí (UFPI) Picos PI Brasil {thayanesimoes19, otylyasousa, antoniooseas, alcileneluzsousa}@gmail.com,patymedy@hotmail.com Abstract. Lung cancer has become the disease with the highest mortality rate in this category. Thus, computational tools that use images and pattern recognition processing techniques have been widely exploited to assist in early detection of this disease. The proposed methodology will highlight the features of extraction steps based on phylogenetic diversity index Phylogenetic Diversity (PD) to reduce false positives on CT images. The tests used 532 images of LIDC-IDRI base. The methodology shows promising results for the regions of classification node and non-nodule, reaching a hit rate of 81.39%. Resumo. O câncer de pulmão tornou-se a patologia com maior incidência de mortalidade dessa categoria. Assim, ferramentas de cunho computacional, que utilizam técnicas de processamento de imagens e reconhecimento de padrões, têm sido amplamente explorados para auxiliar na detecção precoce dessa doença. A metodologia proposta irá enfatizar as etapas de extração de características baseado no índice de diversidade filogenético Phylogenetic Diversity (PD) para redução de falsos positivos em imagens de tomografia computadorizada. Os testes realizados utilizaram 532 imagens da base LIDC- IDRI. A metodologia apresenta resultados promissores para a classificação de regiões em nódulo e não-nódulo, alcançando uma taxa de acerto de 81,39%. 1. Introdução As células do corpo humano saudáveis vivem, dividem-se e morrem. No entanto, quando ocorre a proliferação dessas células de forma descontrolada, surge o tumor. Os tumores são regiões irregulares que podem ser classificadas em maligna (câncer) ou benignas. Os tumores malignos são na maioria das vezes fatais e podem ter a capacidade de se espalhar para outras partes do corpo, ou seja, ocorrência de metástase [NCI 2016]. O câncer é uma patologia com localizações e aspectos clinico-patológicos múltiplos e não possui sintomas. Por se tratar de uma doença assintomática há uma dificuldade no seu diagnóstico, com isso sua confirmação ocorre, na maioria das vezes, apenas nos estágios mais avançados da doença. O câncer de pulmão se revela como o mais comum de todos os tumores malignos, apresentando aumento de 2% por ano na sua incidência mundial [INCA 2016]. A área de processamento digital de imagens está sendo bastante utilizada para auxiliar e maximizar na detecção precoce de inúmeras doenças, por exemplo, o câncer de pulmão, mama, entre outros. Processamento digital de imagem é uma área em
2 crescimento, que consiste em um conjunto de operações matemáticas aplicadas sobre a imagem que resulta, na maioria dos casos, em uma nova imagem. Essa manipulação das imagens permite através da análise automática do computador, extrair informações até então imperceptíveis ao olho humano. Este artigo apresenta o desenvolvimento de uma metodologia de redução de falsos positivos, baseado no índice de diversidade filogenético PD para diferenciar as Regiões de Interesse (ROI), utilizando o índice para mensurar sobre a textura de cada ROI. Dessa forma, para a classificação foi utilizado o Support Vector Machine (SVM). 2. Trabalhos Relacionados Na literatura existem várias pesquisas no contexto desse trabalho. Abaixo enumera-se alguns deles. Silva (2009) propôs uma metodologia para a classificação de nódulos pulmonares extraídas de imagens de TC, utilizando duas diferentes bases de dados de imagens. A representação dos nódulos foi feita com a extração de medidas de geometria e de textura, sendo esta última descrita através do Índice de Simpson, uma estatística utilizada na análise espacial e na ecologia. Essas medidas foram submetidas ao classificado SVM em duas abordagens, a tradicional e usando de uma classe. Com abordagem SVM tradicional, obteve taxas de sensibilidade de 90%, especificidade de 96,67% e acurácia de 95%. Usando SVM de uma só classe, as taxas obtidas foram sensibilidade igual a 89,7%, especificidade igual a 89,7% e acurácia igual a 89,7%. Oliveira (2013) apresenta uma metodologia de redução de falsos positivos para a classificação de tecidos da mama nas classes massa e não-massa. A proposta é a utilização do índice de diversidade taxonômica (Δ) e do índice de distinção taxonômica (Δ*) em árvores filogenéticas para extração de características de textura de regiões da mamografia. Estes índices são usados juntos com técnicas de processamento de imagens digitais e reconhecimento de padrões, como o SVM. A metodologia apresentou resultados promissores para a classificação de massas e não-massas, alcançando uma acurácia média de 99,67%. Santos et. al. (2014), demonstram uma metodologia para a detecção automática de nódulos pulmonares pequenos (com tamanhos entre 2 e 10 mm) por meio de técnicas de processamento de imagens e reconhecimento de padrões. Utilizam medidas de entropia e Shannon Tsallis como descritores de textura e SVM para a classificação de regiões suspeitas tanto como nódulos ou não-nódulos. Os resultados obtidos com o uso deste conjunto de técnicas, aplicado a uma amostra com 28 exames a partir de uma base de dados pública, mostrou que pequenos nódulos foram detectados com uma sensibilidade de 90,6%, uma especificidade de 85% e uma precisão de 88,4%. A taxa de falsos positivos por exame foi de 1,17. Diante do que foi exposto nos trabalhos relacionados, alguns problemas são frequentes quando se refere a ruídos na imagem, tamanho e localização do nódulo, e elevadas taxas de falsos positivos por exame (número de imagens erradamente classificadas como nódulo), sendo que estes são obstáculos a serem superados. A metodologia proposta busca amenizar a taxa de falsos positivos utilizando o índice de diversidade filogenética PD.
3 3. Método Proposto O método proposto compreende três etapas, sendo: a aquisição das imagens de Tomografia Computadorizada (TC) da base LIDC-IDRI, extração de características utilizando descritor de textura baseado em índice de diversidade filogenético PD, o classificador SVM e a validação dos resultados Base de Imagens Figura 1. Fluxograma do método proposto. A base de imagem utilizada é a LIDC-IDRI, um repositório público de imagens tomográficas, disponibilizado na internet pelo National Cancer Institute of USA (NCI). A base foi criada através de uma associação do Lung Image Database Consortium (LIDC) e a Image Database Resource Initiative (IDRI). Essa associação resultou em uma base de 1012 casos, tendo como embasamento as informações e marcações da base LIDC. Cada exame da base possui informações e avaliações de 4 especialistas, que são disponibilizadas em um arquivo XML [LIDC - IDRI 2015]. As imagens da LIDC-IDRI são disponibilizadas no formato DICOM (Digital Imaging and Communications in Medicine), esse formato é o padrão para a comunicação e gerenciamento de informações de imagens médicas. Foi desenvolvido 1983, com o objetivo de promover comunicação de dados de imagem digital, independentemente do fabricante do dispositivo para facilitar o arquivamento de imagens [NEMA 2015] Extração de características Normalmente, a extração de características é baseada nas características de forma e textura. Segundo Haralick et al. (1973), textura é definida como a característica de uma região relacionada a coeficientes de uniformidade, densidade, aspereza, regularidade, intensidade, dentre outras. A textura é utilizada para reconhecer objetos e cenas a partir das variações locais em valores de pixels que se repetem de maneira regular na imagem, originando um padrão que permite a identificação dos nódulos. Assim como existem diversas maneiras de realizar extração de características de um candidato a nódulo ou não-nódulo, outra forma é utilizando o índice de diversidade filogenética PD. A filogenia ou árvore filogenética é um ramo da biologia responsável pelo estudo das relações evolutivas entre as espécies, pela verificação dos relacionamentos entre elas, a fim de determinar possíveis ancestrais comuns [Araújo 2003]. Essas árvores devem expressar similaridade, ancestralidade ou parentescos evolutivos entre espécies, onde as folhas representam os organismos e os nós internos correspondem aos seus ancestrais hipotéticos. Na árvore filogenética, as espécies simulam os níveis de cinza e os indivíduos são a quantidade de pixels de cada nível de cinza presente na imagem, como apresenta a Figura 2.
4 Figura 2. Árvore enraizada na forma de cladograma inclinada. Fonte: Oliveira, O índice de diversidade filogenética PD, na biologia é obtido pela soma dos comprimentos dos braços da árvore filogenética das espécies de uma comunidade [Faith 1992]. Quanto mais ramos a árvore filogenética possuir mais distintos serão os grupos taxonômicos. Portanto, o PD de uma comunidade é uma função do número de espécies e da diferença filogenética entre elas, conforme a equação 1. PD = B x B I L ia i B onde, B é o número de ramificações da árvore, Li é o comprimento do ramo i e Ai representa a abundância média de espécies que compartilham i Classificação A classificação é um processo que visa o reconhecimento automático de objetos, sendo que as entradas são as características extraídas das imagens TC do pulmão. O classificador utilizado foi o SVM, onde o método k-fold cross validation foi utilizado para obter os resultados. Os dados foram divididos em 10 conjuntos, sendo 9 deles para treinamento e um para testes. Este processo é repetido 10 vezes e no final é gerado um resultado. 4. Resultados Os testes realizados neste trabalho foram efetuados com uma amostra de 532 imagens de TC da base LIDC-IDRI, sendo 401 não-nódulos e 131 nódulos. O desempenho obtido pelo algoritmo foi avaliado utilizando as seguintes métricas: Falso Positivo (FP), Verdadeiro Negativo (VN), Kappa (K), área sob a curva Receiver-Operating Characteristics (ROC), Sensibilidade (S), Especificidade (E) e Acurácia (A). O kappa é uma medida de concordância entre observadores, a acurácia simula a taxa de acertos e a curva ROC descreve a habilidade de separar corretamente, o conjunto de nódulos em duas classes baseado na fração verdadeiro negativo (especificidade) e na fração falso positivo (sensibilidade), quanto mais próximo de 1 significa que a classificação foi boa. Na Tabela 1 pode-se observar que o classificador obteve resultados promissores. Tabela 1. Resultado da classificação das imagens. FP VN K ROC S E A SVM ,4429 0,699 69,69% 85,68% 81,39% i A i (1)
5 De acordo com a Tabela 1, o classificador SVM obteve uma taxa de acertos de 81,39%, e um índice kappa de 0,4429. Sendo que, a sensibilidade é a proporção de imagens patológicas, ou seja, demonstra o quanto a metodologia foi boa para detectar a doença, a especificidade representa a proporção de imagens saudáveis, o quanto o método foi eficiente em detectar a ausência da doença. Tabela 2. Comparação entre trabalhos relacionados. Base S E A Silva LIDC 89,7% 89,7% 89,7% Oliveira DDSM 99% 98% 99,67% Santos et al. LIDC-IDRI 90,6% 85% 88,4% Metodologia LIDC-IDRI 69,69% 85,68% 81,39% De acordo com a Tabela 2, em comparação com os trabalhos relacionados Oliveira, apresenta um equilíbrio entre as três métricas (sensibilidade, especificidade e acurácia). Assim em termos qualitativos, a metodologia apresenta um resultado promissor para redução de falsos positivos. 5. Conclusões e Trabalhos Futuros Neste trabalho apresentou-se uma nova metodologia de redução de falsos positivos de imagens de TC, utilizando o índice de diversidade filogenético PD. O classificador demostrou um bom desempenho para classificação de regiões em nódulo e não-nódulo, com a taxa de acerto de 81,59%, sensibilidade de 69,69%, especificidade de 85,68%, kappa de 0,4429 e curva ROC de 0,699. Os resultados obtidos mostraram-se significativos, mas podem ser melhorados. Para trabalhos futuros, pretende-se utilizar novos classificadores e acrescentar novos índices de diversidade filogenéticos para otimizar os resultados. Referências Araújo, G. S. Filogenia de proteomas. 2003, 73 f. Dissertação (Ciência da Computação) - Universidade Federal do Mato Grosso do Sul, MS, Faith, D.P. Conservation evaluation and phylogenetic diversity. Biol. Conserv. 61(1):1-10, Haralick, R. M.; Shanmugam, K.; Distein, I. (1973). Textural Features for Image Classification, IEEE Transactions on Systems, Man and Cybernetics, IEEE Press, p Instituto Nacional do Câncer - INCA. Mistério da Saúde. Câncer de pulmão. Disponível em: < ico>. Acesso em: 17 fev LIDC - IDRI, National Cancer Institute. Lung Image Database Consortium Image Collection. Disponível em: < Acesso em: 22 dez Naticional Cancer Institute - NCI. Lung Cancer. U.S. National Institute of Health. Disponível em: < Acesso em: 17 fev
6 NEMA - National Eletrical Manufactures Associations. Digital Imaging and Communications in Medicine (DICOM). Disponível em < Acesso em: 22 dez Oliveira, F. S. S. Classificação de Tecidos da Mama em Massa e Não-Massa usando Índice de Diversidade Taxonômico e Máquina de Vetores de Suporte. Dissertação de Mestrado na área de Ciência da Computação. (Programa de Pós-Graduação em Engenharia de Eletricidade) - Universidade Federal do Maranhão, São Luís, Santos, A. M.; Carvalho Filho, A. O.; Silva, A. C.; Paiva, A. C.; Nunes, R. A.; Gattass, M. Automatic detection of small lung nodules in 3D CT data using Gaussian mixture models, Tsallis entropy and SVM, Science Direct, vol. 36, p , Silva, A. C. Caracterização de nódulos pulmonares solitários utilizando índice de Simpson e máquina de vetores de suporte, Universidade Federal do Maranhão, São Luís, 2009.
Uma 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 maisSegmentação de Nódulo Pulmonar Usando Autômato Celular
Segmentação de Nódulo Pulmonar Usando Autômato Celular Maura G. R. da Rocha 1, Maria J. C. de Moura 1, Patrícia M. L. Drumond 1, Antonio O. de C. Filho 1, Alcilene D. de Sousa 1 1 Campus Senador Helvídio
Leia maisClassificação de Tecidos da Mama em Maligno e Benigno baseado em Mamografias Digitais usando Descritores de Textura
III Escola Regional de Informática do Piauí. Livro Anais - Artigos e Minicursos, v. 1, n. 1, p. 100-105, jun, 2017. www.eripi.com.br/2017 - ISBN: 978-85-7669-395-6 Classificação de Tecidos da Mama em Maligno
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 maisRedução de falsos positivos em imagens de mamografias digitais usando os índices phylogenetic species variability, phylogenetic species richness
Redução de falsos positivos em imagens de mamografias digitais usando os índices phylogenetic species variability, phylogenetic species richness e classificador MVS Laércio N. Mesquita 1, Antônio O. de
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 maisLaércio N. Mesquita¹, Antônio O. de C. Filho¹, Alcilene D. de Sousa¹, Patrícia M. L. de L. Drumond¹
Redução de falsos positivos em imagens de mamografias digitais usando os índices phylogenetic species variability, phylogenetic species richness e múltiplos classificadores Laércio N. Mesquita¹, Antônio
Leia maisAnálise de nódulos pulmonares usando o índice de Brillouin para estabelecer possíveis diferenças entre padrões malignos e benignos
Análise de nódulos pulmonares usando o índice de Brillouin para estabelecer possíveis diferenças entre padrões malignos e benignos Robherson Wector de Sousa Costa 1, Aristófanes Corrêa Silva 1 1 Universidade
Leia maisANÁLISE FILOGENÉTICA PARA DIFERENCIAÇÃO ENTRE NÓDULOS MALIGNOS E BENIGNOS
Artigo Completo XV Congresso Brasileiro de Informática em Saúde 27 a 30 de novembro - Goiânia - Brasil ANÁLISE FILOGENÉTICA PARA DIFERENCIAÇÃO ENTRE NÓDULOS MALIGNOS E BENIGNOS Otília de S. Santos 1, Thayane
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 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 maisClassificação 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 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 maisDiferenciação de padrões de benignidade e malignidade em tecidos da mama baseado na diversidade taxonômica
Diferenciação de padrões de benignidade e malignidade em tecidos da mama baseado na diversidade taxonômica Edson Damasceno Carvalho 1, Antônio Oseas de C. Filho 1, Alcilene D. de Sousa 1, Patricia Vieira
Leia maisCLASSIFICAÇÃO DE PADRÕES EM IMAGENS UTILIZANDO DESCRITORES DE TEXTURA Pattern Classification in Images Using Descriptors of Texture
CLASSIFICAÇÃO DE PADRÕES EM IMAGENS UTILIZANDO DESCRITORES DE TEXTURA Pattern Classification in Images Using Descriptors of Texture 1 e Sandro Roberto Fernandes 2 Resumo: Nesta pesquisa foi desenvolvido
Leia maisXIII Simpósio Brasileiro de Automação Inteligente Porto Alegre RS, 1 o 4 de Outubro de 2017
COMPUTER AIDED DIAGNOSIS PARA TECIDOS DA MAMA, BASEADO EM MAMOGRAFIA DIGITAL USANDO ANÁLISE DE TEXTURA Edson Damasceno Carvalho, Antonio Oseas de C. Filho, Alcilene D. de Sousa, Patricia Vieira da S. Barros,
Leia maisIntrodução Trabalhos Relacionados Metodologia Resultados Considerações Finais. Aluna: Aline Dartora Orientador: Prof. Dr. Lucas Ferrari de Oliveira
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.
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 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 maisFace Recognition using RGB-D Images
Face Recognition using RGB-D Images Helder C. R. de Oliveira N.USP: 7122065 Polyana Nunes N.USP: 9043220 Sobre o Artigo Publication: 2013 IEEE Sixth International Conference Author(s) Goswami, G. (Índia
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 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 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 maisDiagnóstico do Glaucoma em Imagens de Fundo de Olho Usando Matriz de Coocorrência e SVM
Diagnóstico do Glaucoma em Imagens de Fundo de Olho Usando Matriz de Coocorrência e SVM Mayara Gomes Silva 1, Nelia Cantanhede Reis 1, João Dallyson Sousa de Almeida 1 1 Núcleo de Computação Aplicada (NCA),
Leia maisCLASSIFICAÇÃO DE PADRÕES UTILIZANDO DESCRITORES DE TEXTURA
XI Simpósio de Mecânica Computacional II Encontro Mineiro de Modelagem Computacional Juiz De Fora, MG, 28-30 de Maio De 2014 CLASSIFICAÇÃO DE PADRÕES UTILIZANDO DESCRITORES DE TEXTURA Weiner Esmerio Batista
Leia maisDesenvolvimento de descritores baseado em análise de forma para diagnóstico de lesões pulmonares
17º WIM - Workshop de Informática Médica Desenvolvimento de descritores baseado em análise de forma para diagnóstico de lesões pulmonares Antonino Calisto dos S. Neto1, Alexandre Ribeiro C. Ramos1, Antonio
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 maisLip Recognition. Victor Mocelin
Lip Recognition Victor Mocelin Sumário 1. Introdução do problema 2. Por que usar os lábios? 3. Dificuldades 4. Artigos relacionados 5. Referências 2 Introdução do problema Entradas Credencial Imagem dos
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 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 maisFundamentos de Mineração de Dados
Fundamentos de Mineração de Dados Prof. Ricardo Fernandes ricardo.asf@ufscar.br O que é Mineração de Dados? Uso de ferramentas matemáticas, clássicas ou inteligentes, no processo de descoberta de conhecimento
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 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 maisDetecção Auxiliada por Computador
Detecção Auxiliada por Computador (computer-aided detection - CAD) Márcio Eloi Colombo Filho - 6402378 Jessica Caroline Alves Nunes Temporal 7547611 Tiago Pedro de Santana Junior - 7961516 Mamografia Único
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 maisClassificação de Lesões de Pele Utilizando Atributos de Cor e Textura
Classificação de Lesões de Pele Utilizando Atributos de Cor e Textura Nayara H. de Moura¹, Gabriel C. Moura¹, Romuere R. V. e Silva¹, Emerson S. Silva¹, Rodrigo de M. S. Veras² ¹Campus Senador Helvídio
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 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 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 maisIdentificação de Pontos Perceptualmente Importantes (PIP) em séries temporais de tópicos extraídos de dados textuais
Universidade de São Paulo Biblioteca Digital da Produção Intelectual - BDPI Departamento de Ciências de Computação - ICMC/SCC Comunicações em Eventos - ICMC/SCC 2015 Identificação de Pontos Perceptualmente
Leia maisINVESTIGATING THE USE OF BLOCK-MATCHING 3D DENOISING ALGORITHM TO REDUCE RADIATION DOSE IN DIGITAL MAMMOGRAPHY
INVESTIGATING THE USE OF BLOCK-MATCHING 3D DENOISING ALGORITHM TO REDUCE RADIATION DOSE IN DIGITAL MAMMOGRAPHY HELDER C. R. DE OLIVEIRA POLYANA F. NUNES LUCAS R. BORGES MARCELO A. C. VIEIRA 2 MOTIVAÇÃO
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 maisTópicos Especiais em Reconhecimento de Padrões [2COP329] Mestrado em Ciência da. Sylvio Barbon Jr
Tópicos Especiais em Reconhecimento de Padrões [2COP329] Mestrado em Ciência da Computação Sylvio Barbon Jr barbon@uel.br (2/20) Tema Aula 1 Introdução ao Reconhecimento de Padrões 1 Introdução 2 Referências
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 maisSistema Para Controle de Qualidade de Mamógrafos Através da Análise Computacional de Imagens de Phantom Utilizando a Ferramenta WEKA
Sistema Para Controle de Qualidade de Mamógrafos Através da Análise Computacional de Imagens de Phantom Utilizando a Ferramenta WEKA Bruno Barufald Eduardo F. Santana, Leonardo V. Batista Programa de Pós-graduação
Leia maisPROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE LEONARDO BARROS NASCIMENTO CLASSIFICAÇÃO DE NÓDULOS PULMONARES EM MALIGNO
UNIVERSIDADE FEDERAL DO MARANHÃO CENTRO DE CIÊNCIAS EXATAS E TECNOLOGIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE LEONARDO BARROS NASCIMENTO CLASSIFICAÇÃO DE NÓDULOS PULMONARES EM MALIGNO
Leia mais[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações
[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações Dr. Sylvio Barbon Junior PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DE ALIMENTOS - UEL 2016 Assunto Aula 4 Segmentação de Imagens 2 de
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 maisImage Descriptors: texture
Image Descriptors: texture Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: texture 2011 1 / 28 Agenda
Leia maisSEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS
SEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS Edno José Bozoli Junior¹, Osvaldo Severino Junior². 1. Universitário do curso de Ciências da Computação Rodovia Vicinal Raul Galvani nº. 831, Centro, CEP: 15.845-000
Leia maisIDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS. André Zuconelli 1 ; Manassés Ribeiro 2
IDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS André Zuconelli 1 ; Manassés Ribeiro 2 INTRODUÇÃO As tecnologias assistivas têm a finalidade de auxiliar pessoas com deficiência a alcançar
Leia maisSEMINÁRIO Visão Computacional Aluno: Afonso Pinheiro
SEMINÁRIO Visão Computacional Aluno: Afonso Pinheiro Detecting Pedestrians Using Patterns of Motion and Appearance *Paul Viola *Michael J. Jones *Daniel Snow Por que detectar pedestres? http://conexaopenedo.com.br/2016/02/sistema-consegue-detectar-pedestres-em-tempo-real/
Leia maisAVALIAÇÃO DOS ACHADOS MAMOGRÁFICOS CLASSIFICADOS CONFORME SISTEMA BI RADS¹. Beatriz Silva Souza², Eliangela Saraiva Oliveira Pinto³
Avaliação dos achados mamográficos classificados... 205 AVALIAÇÃO DOS ACHADOS MAMOGRÁFICOS CLASSIFICADOS CONFORME SISTEMA BI RADS¹ Beatriz Silva Souza², Eliangela Saraiva Oliveira Pinto³ Resumo: Objetivou-se
Leia maisComputaçã. Visão Geral. Sistema Gráfico. Computação Gráfica. Pixels. Sistema Gráfico e o Frame Buffer. Introdução à Computação Gráfica
Visão Geral Computaçã ção o Gráfica Introduçã ção, conceitos básicosb sicos, áreas relacionadas Introdução à Computação Gráfica Como funciona um sistema gráfico Como imagens são representadas Áreas relacionadas,
Leia maisGEOMETRIC PROPERTY BASED ELLIPSE DETECTION METHOD
GEOMETRIC PROPERTY BASED ELLIPSE DETECTION METHOD Introdução A detecção de elipse, de forma robusta e confiável, é uma questão fundamental em processamento de imagens, pois que fornece uma ferramenta útil
Leia maisMétodos para sistemas CAD e CADx de nódulo pulmonar baseada em tomografia computadorizada usando análise de forma e textura
Universidade Federal do Maranhão Centro de Ciências Exatas e Tecnologia Curso de Pós-Graduação em Engenharia de Eletricidade Métodos para sistemas CAD e CADx de nódulo pulmonar baseada em tomografia computadorizada
Leia maisReconhecimento de palma de mão. Peterson Wagner Kava de Carvalho
Reconhecimento de palma de mão Peterson Wagner Kava de Carvalho 1 Sumário 1. Introdução 2. Artigo 1: Palmprint Recognition a. Pré-Processamento b. Extração de Features c. Classificação d. Resultados 3.
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 maisClassificação Automática de Gêneros Musicais
Introdução Método Experimentos Conclusões Utilizando Métodos de Bagging e Boosting Carlos N. Silla Jr. Celso Kaestner Alessandro Koerich Pontifícia Universidade Católica do Paraná Programa de Pós-Graduação
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 maisAlgoritmo simplificado para conversão de imagem no formato INTERFILE para o formato DICOM
Algoritmo simplificado para conversão de imagem no formato INTERFILE para o formato DICOM Clara Figueiredo Dourado 1, Girlene Lima Ribeiro 1, Manoel Alves Filho 2 1 Bacharelandas de Engenharia Elétrica
Leia maisMétodos de Extração de Características
1. Introdução Métodos de Extração de Características A Interpretação ou entendimento de uma cena demanda o reconhecimento de seus objetos. Reconhecimento de objetos ou padrões contidos em uma cena -> é
Leia maisComputação e Imagens: PI, CG e Visualização. Computação Visual
Computação e Imagens: PI, CG e Visualização Computação Visual Instituto de Ciências Matemáticas e de Computação ICMC-USP São Carlos, 2016 1 Roteiro Visão Geral das áreas da computação que envolvem manipulação
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 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 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 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 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 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 maisReunião bibliográfica
Reunião bibliográfica António Pedro Pissarra Standard-, reduced-, and no- Dose Thin-section radiologic examinations: Comparison of Capability for Nodule Detection and Nodule Type Assessment in Patients
Leia maisTÍTULO: IDENTIFICAÇÃO DE CARACTERES APRESENTADOS A UMA CÂMERA POR MEIO DO MOVIMENTO DOS DEDOS DA MÃO DE UM SER HUMANO
Anais do Conic-Semesp. Volume 1, 2013 - Faculdade Anhanguera de Campinas - Unidade 3. ISSN 2357-8904 TÍTULO: IDENTIFICAÇÃO DE CARACTERES APRESENTADOS A UMA CÂMERA POR MEIO DO MOVIMENTO DOS DEDOS DA MÃO
Leia maisProcessamento digital de imagens para a detecção e classificação de nódulos em mamografias
Revista Eletrônica da Faculdade Metodista Granbery http://re.granbery.edu.br - ISSN 1981 0377 Curso de Sistemas de Informação - N. 9, JUL/DEZ 2010 Processamento digital de imagens para a detecção e classificação
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 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 maisAmbiente de Data Warehouse Para Imagens Médicas Baseado Em Similaridade
Universidade de São Paulo - USP Instituto de Ciências Matemáticas e de Computação - ICMC Programa de Pós-Graduação em Ciências da Computação e Matemática Computacional Ambiente de Data Warehouse Para Imagens
Leia maisMáquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino Ricardo Cezar Bonfim Rodrigues 24 de abril de 2006 1 Antecedentes e Justificativa Hoje, em diversos processos industriais,
Leia maisPOLVO-IIDS: Um Sistema de Detecção de Intrusão Inteligente Baseado em Anomalias p. 1/16
POLVO-IIDS: Um Sistema de Detecção de Intrusão Inteligente Baseado em Anomalias p. 1/16 POLVO-IIDS: Um Sistema de Detecção de Intrusão Inteligente Baseado em Anomalias Paulo Manoel Mafra 1, Joni da Silva
Leia maisCréditos. SCC0173 Mineração de Dados Biológicos. Aula de Hoje. Desempenho de Classificação. Classificação IV: Avaliação de Classificadores
SCC0173 Mineração de Dados Biológicos Classificação IV: Avaliação de Classificadores Créditos O material a seguir consiste de adaptações e extensões dos originais: gentilmente cedidos pelo rof. André C..
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 / 17 Introdução Excelentes pesquisas sobre descritores
Leia maisProcessamento Digital de Imagens
1 Ciência da Computação Processamento Digital de Imagens Objetivos e Prof. Sergio Ribeiro Tópicos Percepção por Máquina Imagens e Computação Gráfica, Armazenamento e Exibição Processamento Digital de Imagens
Leia maisUtilização das transformadas wavelets na detecção de características em um sinal de ECG
Utilização das transformadas wavelets na detecção de características em um sinal de ECG Orientador: Prof. Dr. Aldo Artur Belardi Departamento: Engenharia Elétrica Candidato: Gabriel Diego Porfirio N FEI:.206.062-9
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Objetivos e Introdução Prof. Sergio Ribeiro Tópicos Introdução Percepção por Máquina Imagens e Computação Gráfica Complexidade de um Sistema Elementos
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 mais1. Desenvolver e avaliar um método para segmentação do fígado a partir de imagens de Tomografia Computadorizada (TC).
1 Introdução O homem se preocupa, desde sempre, com a questão da saúde. Estudos comprovam que uma das principais causas de morte no mundo éocâncer (WunschFilho02) e por isso existe uma grande mobilização
Leia maisAnálise de imagens pulmonares. Paulo Cezar Pinto Carvalho IMPA
Análise de imagens pulmonares Paulo Cezar Pinto Carvalho IMPA Análise de Imagens Pulmonares Instituições Envolvidas: IMPA (Paulo C. P. Carvalho, Ana Elisa Schmidt) Faculdade de Ciências Médicas/UERJ (Rodolfo
Leia maisExtração de objetos de interesse em imagens digitais utilizando a biblioteca de Visão Computacional OpenCV
Extração de objetos de interesse em imagens digitais utilizando a biblioteca de Visão Computacional OpenCV Izadora Aparecida RAMOS 1,3,4 ; Servílio Souza de ASSIS 1,3,4 ; Bruno Alberto Soares OLIVEIRA
Leia maisAuto-Fusão na Recuperação de Imagens Baseadas em Conteúdo.
Auto-Fusão na Recuperação de Imagens Baseadas em Conteúdo. Severino Jr, Osvaldo IMES - FAFICA osvaldo@fafica.br Gonzaga, Adilson Escola de Engenharia de São Carlos - USP adilson@sc.usp.br Resumo Neste
Leia maisEEL891 Aprendizado de Máquina Prof. Heraldo L. S. Almeida. Introdução
1 Introdução 1. Introdução 1.1. O que é Aprendizado de Máquina? 1.2. Por que Machine Learning é o Futuro? 1.3. Algumas Aplicações 1.4. Tipos de Aprendizado 1. Introdução 17 1. Introdução 1.1. O que é Aprendizado
Leia maisSupressão do osso para imagens radiográficas do tórax
Supressão do osso para imagens radiográficas do tórax Introdução A radiografia do tórax continua sendo o método mais usado para triagem e diagnósticos de doenças do pulmão, como o câncer do pulmão, pneumotórax,
Leia maisAPLICAÇÃO DE TÉCNICAS DE PROCESSAMENTO DE IMAGENS DIGITAIS EM IMAGENS GERADAS POR ULTRA-SOM
VIII ERMAC 8 o Encontro Regional de Matemática Aplicada e Computacional 0- de Novembro de 008 Universidade Federal do Rio Grande do Norte Natal/RN APLICAÇÃO DE TÉCNICAS DE PROCESSAMENTO DE IMAGENS DIGITAIS
Leia maisAula 9. Prof. Adilson Gonzaga
Aula 9 Prof. Adilson Gonzaga Mapeamento Atribuir uma Instância a uma classe. Cada Instância é mapeada para um elemento do conjunto de Rótulos de Classe {p,n} p positivo n negativo Atribui uma Instância
Leia maisAVALIAÇÃO QUALITATIVA DE DETECÇÃO DE BORDAS EM IMAGENS DE RADIOGRAFIA PERIAPICAIS
AVALIAÇÃO QUALITATIVA DE DETECÇÃO DE BORDAS EM IMAGENS DE RADIOGRAFIA PERIAPICAIS Hedlund Erik Martins Távora 1, John Hebert Da Silva Felix 2, Darleison Rodrigues Barros Filho 3, Fausta Joaquim Faustino
Leia mais3 Técnica Baseada em Treinamento e Cascata de Classificadores
3 Técnica Baseada em Treinamento e Cascata de Classificadores 3.1. Introdução A utilização de algoritmos para a extração de características de objetos e a geração de classificadores em cascata capazes
Leia maisSistema de Reconhecimento de Logotipos
Sistema de Reconhecimento de Logotipos Fellipe Duarte, Saulo T. Oliveira {duartefellipe,sto}@cos.ufrj.br Relatório Técnico, Introdução ao Processamento de Imagens Programa de Engenharia de Sistemas e Computação
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 maisRafaela C. Santa Clara Vivian C. Monteiro Pereira C A P Tópicos de Pesquisa em Informática
Rafaela C. Santa Clara Vivian C. Monteiro Pereira I M AG I N G S Y S T E M S I N RA D I O LO GY C A P. 1 8 Tópicos de Pesquisa em Informática INFORMÁTICA DE IMAGENS BIOMÉDICAS Estudo de métodos para gerar,
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 mais