Resultados da Análise Quantitativa de Tecidos

Documentos relacionados
Análise Quantitativa de Tecidos em Úlceras de Perna

Conclusões e Trabalhos Futuros

Resultados da Segmentação

1.1. Trabalhos Realizados na Área

5 RNA para Diagnóstico de Falhas em Turbinas a Gás

UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica

Tabela 4.1 Distribuição dos indicadores por tipo Tipo de Indicador No. de indicadores. Indicadores de Evento 93. Indicadores de Tendência 37

Reconhecimento de Faces Utilizando Redes Neurais MLP

Inteligência Artificial Redes Neurais

2. Redes Neurais Artificiais

Inteligência Artificial. Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA

UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica

Universidade Federal do Rio de Janeiro COPPE. Trabalho de Processamento de Imagens Reconhecimento de Símbolos de Componentes Eletrônicos

RECONHECIMENTO DE CARACTERES EM IMAGENS COM RUÍDO

Algoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental

A evolução natural deu ao cérebro humano muitas características desejáveis que não estão presentes na máquina de von Neumann:

Redes Neurais Artificial. Prática. Inteligência Artificial

Redes Neurais Artificiais Aplicadas à Segmentação e Classificação de Imagens Digitais de Úlceras Cutâneas

Multi-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons

Neural Networks. Neurônios: Elementos aritméticos simples. Redes Neuronais: conj de neurônios interligados.

RECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS

PERCEPTRON. Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado

SCC Capítulo 2 Topologia e Representação

Classificação de Padrões. Abordagem prática com Redes Neurais Artificiais

A instalação do DCR compreende apenas a descompactação do arquivo DCR.zip num diretório no disco. Descompacte o arquivo DCR.zip num novo diretório.

Usando MLP para filtrar imagens

ESTRUTURA DASECRETARIA EXTRAORDINÁRIA DE SEGURANÇA PARA GRANDES EVENTOS SESGE (1/6) (Decreto nº de 12 de fevereiro de 2016)

Detecção de Faces Humanas em Imagens Coloridas Utilizando Redes Neurais Artificiais

Reconhecedor de Alcoolismo

O uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador.

Redes Neurais Artificiais. Everton Gago

Abordagem a um classificador de dígitos manuscritos baseado em redes neurais

Jornad das MO OPT. 15 e 16 de Dezembro de Conflitos e Políticas Territoriais: uma abordagem integrada aos processos de urbanização

5 Testes e Resultados

4 Estudo de casos 4.1 Descrição

VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION - VGG

6 Estudos de Casos Porta Lógica OU de 4 Entradas

REDES NEURAIS ARTIFICIAIS

5.1 Modelo de Previsão da Volatilidade por Redes Neurais Artificiais

3 Sistema de Apoio à Decisão para o Controle de Tensão (SADECT) Baseado em Redes Neurais

A Tabela 2 apresenta os valores médios de porosidade e o desvio padrão para as amostras dos Painéis de Fibra de Coco definidos nesta etapa.

Rede Perceptron. Capítulo 3

1 O que é uma Rede Neuronal?

FERRAMENTA PARA O DESENVOLVIMENTO DE REDES NEUROFUZZY

Regra de Oja. Para taxa de aprendizagem pequena, Oja aproximou. pesos para criar uma forma útil da aprendizagem

5 PREVISÃO DE SÉRIES TEMPORAIS DE VAZÃO DE DRENOS DA BARRAGEM DE FUNIL

3 Redes Neurais Artificiais

3 Modelos Comparativos: Teoria e Metodologia

1 Introdução. 1.1 Motivação

4 Desenvolvimento dos Modelo

Redes Neurais Feedforward e Backpropagation. André Siqueira Ruela

Classificação de Textura em Imagens com Redes Neurais Artificiais para Segmentação de Regiões de AVCi em Tomografias Computadorizadas

CLASSIFICAÇÃO AUTOMÁTICA DE LESÕES CUTÂNEAS

PCC146 RECONHECIMENTO DE PADRÕES Trabalho Pacial

Multi-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons

UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica

Capítulo 5 Medidas de Feridas

Artificial Neural Network Prediction for Cancer Survival Time by Gene Expression Data IEEE, 2009

COMPONENTES MECÂNICOS

Objetivos Avaliação do referencial teórico Cronograma da Entrega das notas RT G1 Observações gerais

PALAVRAS-CHAVE Enfermagem; Feridas; Úlcera Venosa; Pé diabético.

Redes Neurais e Sistemas Fuzzy

Avaliação de Desempenho de Redes LVQ em Comparação com Redes MLP com Backpropagation na Classificação de Cromossomos

Mineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra. Padrões e processos em Dinâmica de uso e Cobertura da Terra

Aprendizado de Máquina (Machine Learning)

11º ENTEC Encontro de Tecnologia: 16 de outubro a 30 de novembro de 2017

Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function

GT-JeDi - Curso de Desenv. de Jogos IA para Jogos

Multi-Layer. Perceptron. Sumário. Aplicações de Redes Neurais. Previsão de Séries Temporais. Aplicações de Previsão

FERRAMENTAS ESTATÍSTICAS PARA ANÁLISE DA CLASSIFICAÇÃO

Multi-Layer. Perceptron. Sumário. Aplicações de Redes Neurais. Previsão de Séries Temporais. Aplicações de Previsão

CLASSIFICAÇÃO DE DADOS RELATIVOS À CIRURGIA DE CÂNCER DE MAMA, UM COMPARATIVO ENTRE SOLUÇÃO POR REDES NEURAIS E FUZZY.

Protótipo de Software para Reconhecimento de Impressões Digitais

MAPAS AUTO-ORGANIZÁVEIS PARA MODELAGEM CHUVA-VAZÃO. Farias, C. A. S.; Carneiro, T. C. & Lourenço, A. M. G.

ESTUDO COMPARATIVO DA APLICAÇÃO DE TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL PARA A PREVISÃO DA FAIXA DE PESO DE RECÉM-NASCIDOS

Redes Neurais Artificiais - Introdução. Visão Computacional

Domingo Braile FAMERP & UNICAMP

Física IV Poli Engenharia Elétrica: 20ª Aula (04/11/2014)

UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica

5 Análise Experimental

ANÁLISE DA VARIÂNCIA DE DISPERSÃO EM PILHAS DE BLENDAGEM UTILIZANDO SIMULAÇÃO GEOESTATÍSTICA

6 Aplicação da Metodologia Proposta

Algoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental

SISTEMA AUTOMÁTICO PARA AVALIAÇÃO POSTURAL BASEADO EM DESCRITORES DE IMAGENS

UNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais

Self Organizing Maps - Redes de Kohonen

Mapas Auto-Organizáveis de Kohonen (SOM) SOM é uma rede neural artificial (Kohonen (1995))

Modelagem da Rede Neural. Modelagem da Rede Neural. Back Propagation. Modelagem da Rede Neural. Modelagem da Rede Neural. Seleção de Variáveis:

Autor: Edroaldo Lummertz da Rocha Home page: edroaldo.wordpress.com

HP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.

RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ

Classificação de Padrões por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada

Quais relatórios utilizar para conferência na integração?

CLASSIFICAÇÃO PIXEL A PIXEL SUPERVISIONADA EM IMAGEM DE SATÉLITE SÃO SEBASTIÃO DO PARAISO (MG)

2. Redes Neurais Artificiais

Redes Neurais Artificiais Aplicadas na Otimização da Adsorção de Filmes Finos de Ftalocianinas

Transcrição:

73 7 Resultados da Análise Quantitativa de Tecidos Neste capítulo, o desempenho da rede neural utilizada para quantificar a região de cada tecido das úlceras, como abordado no Capítulo 5, é avaliado. A avaliação das redes foi realizada calculando-se o índice de acerto de classificação de 4 imagens. Dessas quatro imagens, uma continha amostras de tecido granulado de todos os pacientes e a outra, amostras de tecido granulado apenas do Paciente 13. As outras duas continham respectivamente, amostras de fibrina de todos os pacientes e amostras de fibrina do Paciente 13. O treinamento da rede, foi realizado apenas com amostras de fibrina e tecido granulado da imagem do Paciente 13 de 08/09/97. As amostras utilizadas para medir o desempenho da rede podem ser vistas na Figura 7.1. (a) (b) (c) Figura 7.1 - Amostras de tecido granulado e fibrina utilizadas para medir o desempenho de classificação da rede neural. (d)

74 Foram avaliadas quatro topologias de rede com as seguintes configurações: 9:3, 3:9:3, 3:6:2 e 3:6:3. A topologia 3:6:2 com apenas 2 neurônios na camada se saída foi avaliada para classificar apenas os tecidos de granulação e fibrina. Dentre as topologias testadas, foi a que obteve melhor desempenho com acerto médio de 95 %. Das topologias com 3 neurônios de saída, a que obteve melhor desempenho foi a com 9 neurônios na camada escondida e 3 neurônios na camada de saída, referentes aos tecidos granulado, fibrina e necrosado. A Tabela 7.1 ilustra os resultados referentes ao desempenho das redes avaliadas. Topologia Granulação Fibrina Acerto Médio 3:6:2 98.94% 91.19% 95.06% 3:9:3 99.01% 89.95% 94.48% 9:3 99.04% 90.43% 94.73% 3:6:3 99.08% 89.84% 94.46% Tabela 7.1 - Índice de desempenho das topologias de redes neurais avaliadas. 7.1. Análise Quantitativa de Tecidos A análise quantitativa de cada tecido baseia-se nos resultados obtidos da rede neural, que tem por função classificar cada pixel nas classes referentes aos tecidos granulado, fibrina e necrosado. Ao passo que esses tecidos foram segmentados do interior das úlceras, a área proporcional de cada um em relação à área interna é calculada. Dessa forma a soma dos três tecidos resultará sempre em 100 % da área total. Essa normalização em relação à área processada é muito importante, pois mantém as áreas avaliadas, das várias imagens de um paciente, dentro da mesma escala. Nas figuras 7.2, 7.3, 7.4, 7.5, 7.6, 7.7, 7.8, 7.9, 7.10 e 7.11 pode ser observado o resultado da quantificação dos tecidos realizada em imagens de 2 pacientes. Segundo prontuário médico, ambos os pacientes tiveram redução

75 da úlcera. Os gráficos demonstram isso através da diminuição da fibrina e aumento do tecido granulado. Paciente 13 Figura 7.2 - Imagem do paciente 13 de 08/09/97 (ver Apêndice 1). (a) Área segmentada e Figura 7.3 - Imagem do paciente 13 de 24/09/97 (ver Apêndice 1). (a) Área segmentada e Figura 7.4 - Imagem do paciente 13 de 27/11/97 (ver Apêndice 1). (a) Área segmentada e

76 Figura 7.5 - Imagem do paciente 13 de 15/12/97 (ver Apêndice 1). (a) Área segmentada e Os valores referentes à área processada e as áreas proporcionais de tecido granulado e fibrina podem ser vistos na Tabela 7.2. O gráfico exibindo a evolução dos tecidos do Paciente 13 no período de 08/09 a 15/12 de 1.997 pode ser visto na Figura 7.6. Imagem Área em pixels Área Granulado Área Fibrina Granulado % Fibrina % 08/09 44.746 18.293 26.453 40.88% 59.12% 24/09 41.510 12.696 28.814 30.59% 69.41% 27/11 61.623 14.531 27.092 23.58% 76.42% 15/12 57.727 32.840 24.887 56.89% 43.11% Tabela 7.2 - Valores referentes às áreas dos tecidos granulado e fibrina do Paciente 13 segmentadas pela rede neural. 90 80 70 60 50 40 30 20 10 0 Taxa de Evolução dos Tecidos do Paciente 13 1 2 3 4 Granulado Fibrina Figura 7.6 - Gráfico ilustrando a variação da área dos tecidos da úlcera do Paciente 13 ao longo do período de acompanhamento. Os números de 1 a 4 representam as imagens avaliadas.

77 Paciente 25 Figura 7.7 - Imagem do paciente 25 de 12/05/97 (ver Apêndice 1). (a) Área segmentada e Figura 7.8 - Imagem do paciente 25 de 31/05/97 (ver Apêndice 1). (a) Área segmentada e Figura 7.9 - Imagem do paciente 25 de 11/06/97 (ver Apêndice 1). (a) Área segmentada e

78 Figura 7.10 - Imagem do paciente 25 de 25/11/97 (ver Apêndice 1). (a) Área segmentada e Imagem Área em pixels Área Granulado Área Fibrina Granulado % Fibrina % 12/05 66520 37748 28772 56.75% 43.25% 31/05 29235 6391 22844 21.86% 78.14% 11/06 37625 9649 27976 25.64% 74.36% 25/11 31284 13897 17387 44.42% 55.58% Tabela 7.3 - Valores referentes às áreas dos tecidos granulado e fibrina do Paciente 25 segmentadas pela rede neural. Taxa de Evolução dos Tecidos do Paciente 25 90 80 70 60 50 40 30 20 10 0 1 2 3 4 Granulado Fibrina Figura 7.11 - Gráfico ilustrando a variação da área dos tecidos da úlcera do Paciente 25 ao longo do período de acompanhamento. Os números de 1 a 4 representam as imagens avaliadas.