Uma Análise Comparativa entre Classificadores para Detecção de Nódulos Pulmonares
|
|
- Osvaldo Camelo Neiva
- 6 Há anos
- Visualizações:
Transcrição
1 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 Acadêmico do Curso Bacharelado em Sistemas de Informação Campus Senador Helvídio Nunes de Barros CSHNB Universidade Federal do Piauí Picos Piauí - Brasil ² Professora do Curso Bacharelado em Sistemas de Informação Campus Senador Helvídio Nunes de Barros CSHNB Universidade Federal do Piauí Picos Piauí - Brasil {laerciomesquita90,maria.jaquelane,ivoalves.analista}[arroba]gmail.com, alcilene[arroba]ufpi.edu.br Abstract: Lung cancer is one of the kinds of diseases that cause most deaths in the world and its main cause is the excessive use of tobacco and its derivatives. The use for an extended time can cause the emergence of nodules; formations that are caused by genetic changes in cells or respiratory diseases. The aim of this study is to make a comparative analysis of classifiers that detect automatically the pulmonary nodules in medical imaging. The comparison was made using 60 Computed Tomography (CT) images, resulting in a success rate of 65% and a Kappa index of Resumo: O câncer de pulmão é um dos tipos de doenças que mais causam mortes no mundo, e sua principal causa é o uso demasiado de tabaco e seus derivados. A utilização por um tempo prolongado pode ocasionar o surgimento de nódulos; que são formações causadas por alterações genéticas nas células ou por doenças respiratórias. O objetivo desse trabalho é fazer uma análise comparativa entre classificadores que detectam de forma automática os nódulos pulmonares em imagens médicas. A comparação foi feita utilizando 60 imagens de Tomografia Computadorizada (TC), resultando em uma taxa de acerto de 65% e um índice Kappa de 0, Introdução O câncer é um nome dado a um conjunto de mais de 100 doenças, atualmente o que causa mais mortes no mundo é o câncer de pulmão, cerca de 90% dos casos estão ligados diretamente a uso do tabaco e seus derivados, os outros 10% restantes estão ligados a doenças respiratórias, é o caso da pneumonia. A estimativa de novos casos para 2014 foi de , sendo homens e , mulheres. A detecção precoce do câncer de pulmão é um dos fatores mais importantes para maximizar a taxa de sobrevida dos pacientes, a sobrevida média total cumulativa é de cinco anos, e varia entre 13 e 21% em países desenvolvidos e entre 7 e 10% em países em desenvolvimento (INCA, 2015). O principal meio de detecção de nódulos
2 pulmonares é através de imagens de exame de TC, são através das mesmas que os especialistas verificam se existe nódulo ou não. Devido à quantidade de imagens ser demasiadamente excessiva o processo se torna enfadonho, tornando-o muito suscetível a erros. Esse trabalho tem como objetivo fazer uma análise comparativa entre cinco classificadores, para a detecção automática de nódulos pulmonares de forma. A metodologia consiste em utilizar quatro características extraídas através do descritor de textura GLCM (Gray- Level Coocorrence Matrices), e classificá-las em nódulos ou não nódulos pulmonares e fazer um comparativo com os melhores resultados obtidos pelos classificadores. O artigo está organizado da seguinte forma: na Seção 2, são apresentados trabalhos relacionados; na Seção 2.1 é apresentado o método proposto; na Seção 3 é descrito o referencial teórico; na Seção 4, são apresentados os resultados obtidos; e por fim, as conclusões e trabalhos futuros na Seção Trabalhos Relacionados Na literatura existe uma grande quantidade de trabalhos relacionados à classificação de nódulos pulmonares; a classificação é feita utilizando características extraídas de imagens médicas, que servem de entrada para os classificadores. A classificação tem por objetivo descobrir a presença de nódulos ou não nódulos pulmonares. Sousa et al. (2007), apresenta uma metodologia fundamentada em refinamentos sucessivos da segmentação sobre imagens de TC, utilizando técnicas morfológicas para a obtenção de candidatos a nódulo. A redução de falsos positivos é efetivada pelo SVM com base em características geométricas e de textura. A metodologia atingiu 95,21% de acerto com uma média de 0,42 falsos positivos e 0,15 falsos negativos por exame. Carvalho Filho (2013), por sua vez, desenvolveu uma metodologia para a detecção automática de nódulos pulmonares, utilizando técnicas de processamento de imagens e reconhecimento de padrões. Em seu trabalho, ele utilizou a técnica de Quality Threshold Clustering (QT) para realizar a segmentação dos candidatos à nódulos, fez a classificação entre nódulos e não nódulos baseado na extração de características como forma e textura, e aplicou o algoritmo Support Vector Machine (SVM). Esse algoritmo alcançou bons resultados, com sensibilidade de 85,91%, especificidade (custo da detecção) de 97,70%, precisão (proporção de nódulos verdadeiros em todos os nódulos obtidos) de 97,55% e uma taxa de falso positivo de 1,82 por imagem. Freire et al. (2014), apresenta uma metodologia que envolve a utilização de medidas de diversidade como descritores nas estruturas internas. De forma a melhorar as estruturas internas as medidas de diversidade foram aplicadas em círculos e anéis concêntricos a fim de descrever as estruturas analisadas, também foram utilizadas medidas baseadas em geometria e através de uma validação cruzada, a fim de garantir a eficiência do modelo, como classificador foi utilizado um algoritmo a-genético para seleção do melhor modelo de classificação e Máquina de Vetor de Suporte como classificador de candidatos à nódulos pulmonares atingindo assim uma sensibilidade de 92,75% e 93,21% de acurácia.
3 Choi et al. (2014), apresentam um novo sistema de detecção baseado em descritores para detecção de nódulos pulmonares em TC. A segmentação é feita baseada em limiarização, e rotulação de componentes em 3D, a detecção dos candidatos a nódulos é feita através de filtragem de aprimoramento multiscala. São calculadas as características do Histograma Angular Normal da Superfície (HANS) para descrever os candidatos detectados. E a classificação é realizada utilizando Máquina de Vetor de Suporte. Obtendo assim uma taxa de sensibilidade de 97.5% com 6,76% de falsos positivos por scanner. 2.1 Método Proposto Para que fosse realizado a comparação entre os classificadores, adotamos a seguinte metodologia, aquisição das imagens de Tomografia Computadoriza (TC) da base LIDC- IDRI, extração de características utilizando o descritor baseado em textura GLCM e o classificador Weka. Aquisição de Imagens Extração de características utilizando GLCM Classificação A. Base de Imagem Figura 1. Fluxograma do método proposto A base utilizada na classificação desse trabalho é a LIDC-IDRI, base pública de exames de TC de nódulos pulmonares. Essa base de imagens tomográficas é disponibilizada pelo National Cancer Institute of USA (NCI). Sua criação foi o resultado da fusão do Lung Image Database Consortium (LIDC) e a Image Database Resource Initiative (IDRI). Foram selecionadas 60 imagens de um total de 1012, sendo 30 imagens contendo candidatos a nódulos e 30 sem candidatos a nódulos pulmonares, tendo como base as informações das marcações realizadas pelos 4 especialistas contidas no arquivo XML da base em questão (Armato et al., 2010). B. Extração de características O processo de extração e seleção de características envolve a obtenção de características de uma região de interesse, podendo ser realizado por técnicas baseadas em morfologia, textura e geometria. Para extrair as características foi utilizado o descritor GLCM, ele tem como principal características trabalhar com imagens em escala de cinza de forma a melhor extrair características baseadas em textura. A utilização desse descritor foi escolhida baseada em aplicações já realizadas em TC de imagens de pulmão, obtendo resultados satisfatórios. Segundo Ramalho et al. (2013), o GLCM baseia-se nos níveis de cinza de acordo com a vizinhança dos pixels dentro de uma imagem. No processo de extração de características foram utilizados os atributos energia, contraste, homogeneidade e entropia, para cada atributo foi extraído um vetor contendo os valores de cada um nos ângulos, 0, 45, 90 e 135, para cada atributo foram geradas características nos quatro ângulos, gerando no total 16 características.
4 C. Classificação A classificação tem como objetivo a rotulação de candidatos a nódulos pulmonares a partir de dados já rotulados, tendo como vetor de entrada as características extraídas das imagens de TC do pulmão. Para atingir os resultados foram utilizadas as características citadas nesta seção, que serviram de entrada para a ferramenta Weka (Waikato Environment for Knowledge Analysis). Através da ferramenta Weka foi utilizado o método de validação cruzada, onde os dados foram divididos em 5 conjuntos, sendo 4 deles utilizados para treinamento e um para testes, o resultado de treinamento é então cruzado com os próximos grupos e ao final é gerado uma média dos resultados. 3. Referencial Teórico Um nódulo é uma pequena massa de tecido que se forma dentro ou sobre o corpo, normalmente em resposta a lesões. Na sua maioria, os nódulos são benignos, e não requerem nenhuma ação médica, no entanto eles podem interferir nas funções do corpo ou podem ser malignos, onde é essencial uma intervenção médica Sousa (2007). Grande parte dos nódulos pulmonares surgem nas paredes dos brônquios, o que dá ao câncer pulmonar também o nome de broncogênico. Eles também podem ocorrer com frequência nas paredes dos pulmões e podem levar vários anos para se desenvolverem. A fase inicial de desenvolvimento é assintomática e é formada por uma área pré-cancerosa não identificável por exames de imagem, sendo apenas identificado por imagens de TC quando o mesmo já está em um estágio avançado INCA (2015). 5 a) b) Figura 1 Em (a) tem-se um pulmão com nódulos e em (b) tem-se um pulmão saudável. Na Figura 1., pode ser observado duas imagens da base LIDC-IDRI Armato (2010), a imagem 1.a) mostra um pulmão com nódulos e a imagem b) sem nódulos pulmonares. 3.1 Aprendizado de Máquina Diferente das metodologias computacionais tradicionalmente utilizadas, o uso de Aprendizagem de Máquina (AM) lida com o problema de modo que a própria máquina encontrará, após um processo de aprendizagem, uma hipótese que melhor o define. Para isso, a AM baseia-se em ideias de um conjunto diversificado de disciplinas incluindo Inteligência Artificial (IA), probabilidade e estatística, complexidade computacional,
5 teoria da informação, psicologia, neurobiologia, teoria de controle e filosofia, tendo aplicações nas mais diversas áreas do conhecimento. AM está subdivido em aprendizado supervisionado, não supervisionado e aprendizado por reforço Lopes e Lima (2014). O aprendizado supervisionado funciona com o auxílio de uma espécie de professor, os dados de entrada rotulados são apresentados a um algoritmo que realizará um treinamento, com isso é gerado um classificador, sendo esse capaz de classificar dados sem rótulos em suas respectivas classes. O aprendizado não supervisionado caracteriza-se por não ter nenhum auxílio e baseia-se em agrupamentos e características dos dados a serem classificados. O aprendizado por reforço tem como característica o ganho através da tentativa e erro. Optou-se por ser utilizado o aprendizado supervisionado, por trabalhar com uma grande quantidade de dados, e ter uma garantia que haverá um resultado válido. 4. Resultados e Discursões O desempenho obtido pelos algoritmos podem ser observados na Tabela 1, através dos resultados: Verdadeiro Positivo (VP), Verdadeiro Negativo (VN), Falso Positivo (FP), Falso Negativo (FN), F-Measure (FM), Kappa (K), área sob a curva ROC (ROC) e Acurácia (A). Tabela 1. Resultados obtidos a partir classificadores Classificadores VP VN FP FN FM K ROC A RBFClassifier , ,630 0,650 LibSVM , ,567 0,567 RandomForest , ,570 0,533 MLP , ,513 0,500 Nayve Bayes Classifier , ,511 0,550 Os classificadores testados foram RBFClassifier, LibSVM, RandomForest, MLP e Nayve Bayes Classifier, cada um foi testado utilizando características de 60 imagens da base LIDC-IDRI. O melhor resultado foi conseguido através do RBFClassifier, classificou 17 nódulos corretamente (VP), 22 (VN), foram retornados 8 (FP) e 13(FN). O RBFClassifier atingiu uma taxa de acerto de 0,650 e índice Kappa correspondendo a 0.300, tendo obtido um resultado considerado pouco relevante de acordo com as métricas do índice Kappa. O pior resultado foi obtido com o MLP, com uma acurácia de cerca de 0,500 e o índice Kappa de Percebemos que a quantidade de falsos positivos é muito alta se comparado com a quantidade total de imagens utilizadas. Outro fator, é quanto a utilização dos classificadores LibSVM, RandomForest e Nayve Bayes Classifier onde os resultados não foram como esperados. Um dos principais fatores foi o número insuficiente de características utilizadas para realizar a classificação. 5. Conclusões e Trabalhos Futuros
6 Com os grandes avanços tanto da área da medicina quanto da computação as pesquisas envolvendo doenças pulmonares e principalmente a identificação precoce do câncer de pulmão tem adquirido grande relevância no cenário mundial. A análise utilizada não se mostrou com grande eficácia com a utilização apenas de quatro características de textura, também outro fator a ser levado em consideração é a utilização de imagens não segmentadas. Para o futuro pode-se utilizar uma base de imagens maior e segmentada, além de utilizar outros tipos de descritores, como o descritor de forma. 6. Referências Armato III, S. G.; et al. (2010) Comparing and combining algorithms for computeraided detection of pulmonary nodules in computed tomography scans: The ANODE09 study, Medical Image Analysis, p Instituto Nacional do Câncer INCA (2015), Mistério da Saúde, Câncer de pulmão, outubro. Carvalho Filho, A. O. de. (2013) Detecção automática de nódulos pulmonares solitários usando quality threshold clustering e mvr, Dissertação de Mestrado na área de Ciência da Computação, (Programa de Pós-Graduação em Engenharia de Eletricidade), Universidade Federal do Maranhão, São Luís. Choi, W. J.; et al. (2014) Automated pulmonary nodule detection based on threedimensional shape-based feature descriptor, Computer Methods and Programs in Biomedicine, p Freire, T. P. (2014) Classificação em nódulos e não nódulos baseado em imagens de tomografia computadorizada usando índices de diversidade e máquina de vetor 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. Lopes, L. A. (2014) Rotulação Automática de Grupos com Aprendizagem de Máquina Supervisionada, Dissertação de Mestrado na área de Ciência da Computação, (Programa de Pós-Graduação em Ciência da Computação), Universidade Federal do Piauí, Teresina. Lima, B. V. A. (2014) Rotulação de Dados com Aprendizado Semi- Supervisionado, Dissertação de Mestrado na área de Ciência da Computação, (Programa de Pós-Graduação em Ciência da Computação), Universidade Federal do Piauí, Teresina. Sousa, J. R. F. S. (2007) Metodologia para detecção automática de nódulos pulmonares, Dissertação de Mestrado na área de Ciência da Computação, (Programa de Pós-Graduação em Engenharia de Eletricidade), Universidade Federal do Maranhão, São Luís. Ramalho, G. L. B. (2013) "Análise de Imagens por meio da Matriz de Interdependência e da Transformação Estrutural Multiscala", Tese de Doutorado na área de Engenharia de Teleinformática, (Programa de Pós-Graduação em Engenharia de Teleinformática), Universidade Federal do Ceará, Fortaleza.
Segmentação 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 maisRedução de falsos positivos em imagens de tomografia computadorizada, usando índice de diversidade filogenético e SVM
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.
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 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 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 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 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 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 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 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 maisInteligência Artificial. Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo]
Inteligência Artificial Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo] Aprendizagem de Máquina Área da Inteligência Artificial cujo objetivo é o desenvolvimento de técnicas computacionais sobre
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 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 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 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 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 maisSegmentação Automática de Candidatos a Nódulos Pulmonares em Imagens de Tomografia Computadorizada
Segmentação Automática de Candidatos a Nódulos Pulmonares em Imagens de Tomografia Computadorizada Maria J. C. de Moura 1, Alcilene D. de Sousa 1, Ivo A. de Oliveira 1, Laércio N. Mesquita 1, Patrícia
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 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 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 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 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 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 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 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 maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo (knn) Um algoritmo supervisionado usado para classificar
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 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 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 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 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 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 maisReconhecimento de Padrões
Reconhecimento de Padrões André Tavares da Silva andre.silva@udesc.br Duda e Hart Capítulo 1 Reconhecimento de Padrões (imagem) Objetivo: Interpretar um conjunto de dados através de um mapeamento (classificação)
Leia maisProcessamento de Imagens Digitais
Processamento de Imagens Digitais Antonio Cesar Germano Martins 2º semestre de 2018 Apresentações Nascido em Sorocaba. Graduado em Bacharelado em Física pela UNICAMP em 1989, tendo participado de pesquisas
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 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 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 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 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 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 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 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 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 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 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 maisClassificação de imagens de Sensoriamento Remoto. Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo
Classificação de imagens de Sensoriamento Remoto Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo Conteúdo programático e Objetivos Conceito de classificação e fotointerpretação Classificações
Leia maisMétodo de Otsu. Leonardo Torok 1
Método de Otsu Leonardo Torok 1 1 Instituto de Computação Universidade Federal Fluminense (UFF) Av. Gal. Milton Tavares de Souza, s/nº 24.210 346 Niterói RJ Brasil ltorok@ic.uff.br Resumo. O método de
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 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 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 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 maisImplementação de Kernel Customizado Aplicado à Análise de Sentimentos em Resenhas de Filmes
Implementação de Kernel Customizado Aplicado à Análise de Sentimentos em Resenhas de Filmes Luciana Kayo e Paulo Mei Prof. Dr. Marco Dimas Gubitoso Introdução Inspiração na competição When Bag of Words
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 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 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 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 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 maisEstudo comparativo de métodos de segmentação das bordas de lesões em imagens dermatoscópicas
Estudo parativo de métodos de segmentação das bordas de lesões em imagens dermatoscópicas Pedro Vinícius Macêdo de Araújo, Geraldo Braz Junior Curso de Ciência da Computação Universidade Federal do Maranhão
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 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 maisDEFEITOS EM IMAGENS RADIOGRÁFICAS DE JUNTAS SOLDADAS EM TUBULAÇÕES: SEGMENTAÇÃO E EXTRAÇÃO DE DEFEITOS
DEFEITOS EM IMAGENS RADIOGRÁFICAS DE JUNTAS SOLDADAS EM TUBULAÇÕES: SEGMENTAÇÃO E EXTRAÇÃO DE DEFEITOS * Aluno do curso Tecnologia em Sistemas de Telecomunicações da UTFPR jvrsschaid@gmail.com ** Aluno
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 18 Aprendizado Não-Supervisionado Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor
Leia maisSQLLOMining: Obtenção de Objetos de Aprendizagem utilizando técnicas de Aprendizado de Máquina
Susana Rosich Soares Velloso SQLLOMining: Obtenção de Objetos de Aprendizagem utilizando técnicas de Aprendizado de Máquina Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção
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 mais4 Avaliação experimental
4 Avaliação experimental O presente capítulo apresenta os experimentos realizados com o propósito de avaliar o método de detecção de nódulos pulmonares proposto neste trabalho, principalmente, a segmentação
Leia maisMorfologia Matemática: algumas aplicações. Rosana Gomes Bernardo Universidade Federal Fluminense
Morfologia Matemática: algumas aplicações Rosana Gomes Bernardo Universidade Federal Fluminense Introdução Aplicações Motivadoras - Consumo de Gás Natural Roteiro - Placas de Veículos Referências - Cartografia
Leia mais- lnteligência Artificial. Seminário sobre o artigo: Beans quality inspection using correlationbased granulometry
PCS - 5689 - lnteligência Artificial Seminário sobre o artigo: Beans quality inspection using correlationbased granulometry Autores: Sidnei Alves de Araújo, Jorge Henrique Pessota, Hae Yong Kim Aluno:
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 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 maisSegmentação Multicritério para Detecção de Nódulos Pulmonares em Imagens de Tomografia Computadorizada
Vanessa de Oliveira Campos Segmentação Multicritério para Detecção de Nódulos Pulmonares em Imagens de Tomografia Computadorizada Tese de Doutorado Tese apresentada ao Programa de Pós-graduação em Engenharia
Leia maisProcessamento De Imagem. Descritores de Cor
Processamento De Imagem Descritores de Cor Cores Uma das propriedades mais importantes para visão humana. Muito usada em sistemas de recuperação de imagens, CBIRs. Taxonomia Global A informação de cor
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 maisAprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Avaliação de Classificação
Estatística: Aplicação ao Sensoriamento Remoto SER 204 - ANO 2018 Avaliação de Classificação Camilo Daleles Rennó camilo@dpi.inpe.br http://www.dpi.inpe.br/~camilo/estatistica/ Classificação e Incerteza
Leia maisExame de Aprendizagem Automática
Exame de Aprendizagem Automática 2 páginas com 11 perguntas e 3 folhas de resposta. Duração: 2 horas e 30 minutos DI, FCT/UNL, 5 de Janeiro de 2016 Nota: O exame está cotado para 40 valores. Os 20 valores
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 01 Motivação, áreas de aplicação e fundamentos Max Pereira Nem todo conhecimento tem o mesmo valor. O que torna determinado conhecimento mais importante que
Leia mais10º Congresso Interinstitucional de Iniciação Científica CIIC a 04 de agosto de 2016 Campinas, São Paulo ISBN
Um Estudo de Descritores e Classificadores para Reconhecimento de Bagas de Café Pedro Henrique Ferreira Stringhini 1 ; Thiago Teixeira Santos 2 Nº 16605 RESUMO Métodos de reconhecimento de frutos baseados
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 16 Aprendizado Não-Supervisionado Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia mais4 Construção dos Classificadores
4 Construção dos Classificadores 4.1. Modelagem O aprendizado supervisionado contém a etapa de modelagem, nessa etapa definimos quais serão as características encaminhadas ao classificador para o treinamento.
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 maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular André C.. L. F. de Carvalho Monitor: Valéria Carvalho lanejamento e Análise de Experimentos rincipais tópicos Estimativa do erro artição dos dados Reamostragem
Leia maisSEGMENTAÇÃO DE CANDIDATOS A NÓDULO PULMONAR BASEADO EM TOMOGRAFIA COMPUTADORIZADA
Artigo Completo XV Congresso Brasileiro de Informática em Saúde 27 a 30 de novembro - Goiânia - Brasil SEGMENTAÇÃO DE CANDIDATOS A NÓDULO PULMONAR BASEADO EM TOMOGRAFIA COMPUTADORIZADA Maura G. R. da Rocha
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 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 maisUNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ (UTFPR) 2016/ PPGCA PPGCA/UTFPR -- CAIA003
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ (UTFPR) Mineração de Dados 2016/3 Professores Celso e Heitor Jean Avila Rangel 1801317 - PPGCA PPGCA/UTFPR câmpus Curitiba -- CAIA003 - Mineração de Dados --
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 maisSISTEMA DE RECONHECIMENTO BASEADO EM RANDOM FOREST PARA CARACTERES DE CAPTCHAS. Ademir Rafael Marques Guedes, Victor Luiz Guimarães
SISTEMA DE RECONHECIMENTO BASEADO EM RANDOM FOREST PARA CARACTERES DE CAPTCHAS Ademir Rafael Marques Guedes, Victor Luiz Guimarães Universidade Federal de Ouro Preto(UFOP) Departamento de Computação ABSTRACT
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 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 maisRickson Guidolini Orientador: Nivio Ziviani Co-orientador: Adriano Veloso
Detecção de Réplicas de Sítios Web em Máquinas de Busca Usando Aprendizado de Máquina Rickson Guidolini Orientador: Nivio Ziviani Co-orientador: Adriano Veloso Universidade Federal de Minas Gerais LATIN
Leia maisPREDIÇÃO À EVASÃO ESCOLAR: Estudo de caso aplicado no IFSULDEMINAS Campus Passos RESUMO
PREDIÇÃO À EVASÃO ESCOLAR: Estudo de caso aplicado no IFSULDEMINAS Campus Passos Carla Fernandes da SILVA 1 ; Clayton Silva MENDES 2. RESUMO A evasão escolar é um dos principais desafios a ser superado
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 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 maisMatriz Curricular Curso de Licenciatura em Computação Habilitação: Licenciatura em Computação
Matriz Curricular Curso de Licenciatura em Habilitação: Licenciatura em LC101 Leitura e produção textual 30-10 40 2 - LC102 Informática e sociedade 30-10 40 2 - LC103 Inglês básico 50-10 60 3-1º LC104
Leia maisAprendizagem de Máquinas
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Aprendizagem de Máquinas DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Aprendizagem de Máquinas
Leia mais