Skip navigation
Veuillez utiliser cette adresse pour citer ce document : http://repositorio.unb.br/handle/10482/34254
Fichier(s) constituant ce document :
Fichier Description TailleFormat 
2018_ClerimarPauloBragança.pdf1,67 MBAdobe PDFVoir/Ouvrir
Titre: Classificação de acromegalia em imagens tomográficas computadorizadas de vértebras (L1 - L5) com uso de ensemble de classificadores binários
Auteur(s): Bragança, Clerimar Paulo
Orientador(es):: Machiavello, Bruno Luiggi
Coorientador(es):: Berger, Pedro de Azevedo
Assunto:: Acromegalia
Tomografia computadorizada
Aprendizagem de máquina
Date de publication: 1-avr-2019
Référence bibliographique: BRAGANÇA, Clerimar Paulo. Classificação de acromegalia em imagens tomográficas computadorizadas de vértebras (L1 - L5) com uso de ensemble de classificadores binários. 2018. xi, 47 f., il. Dissertação (Mestrado em Informática)—Universidade de Brasília, Brasília, 2018.
Résumé: A acromegalia é uma doença crônica e insidiosa. Sua causa, em grande parte, se dá via adenomas hipofisários (tumores benignos) secretores do Hormônio do Crescimento. Pode causar várias manifestações clínicas, como, por exemplo, o crescimento atípico dos ossos e tecidos moles. Exames de imagens obtidos com a Tomografia Computadorizada (TC) são utilizados para observar as características tumorais e acompanhamento radiológico em triagem de condições acromegálicas. Com base no princípio da automação, o presente estudo teve por objetivo diagnosticar a doença acromegalia a partir do processamento de imagens digitais e do aprendizado de máquinas, reconhecendo padrões radiológicos em imagens de TC e identificando possíveis alterações ósseas acromegálicas sofridas especificamente nas vértebras L1-L5 da coluna vertebral. Como viés metodológico, fez-se uso de um ensemble – combinação de classificadores. Os classificadores individuais e binários utilizados na construção do ensemble foram: SVM, KNN, Naive Bayes e AdaBoost. O método utilizou-se de 54 imagens de tomografia, sendo 27 imagens de indivíduos acromegálicas e 27 imagens de indivíduos livres da doença acromegalia. O aprendizado de máquinas se deu por meio de características calculadas a partir textura das imagens no domínio do espaço e da frequência. O resultado classificatório atingiu taxas de 95% de sensibilidade, 96% de especificidade e acurácia de 95%. Embasado na relevância dos resultados obtidos, fica a possibilidade de novas pesquisas para que se desenvolvam ferramentas que auxiliem no diagnóstico da acromegalia.
Abstract: Acromegaly is a chronic and insidious disease. Their cause are largely associated with pituitary adenomas (benign tumors) secreting Growth Hormone. It can cause various clinical manifestations, such as atypical bone and soft tissue growth. Computed tomography (CT) imaging tests are used to observe tumor characteristics and also to monitor the radiological screening of acromegalic conditions. Based on the principle of automation, the present study aimed to diagnose the acromegaly disease from digital image processing and machine learning, recognizing radiological patterns in CT images and identifying possible acromegalic bone alterations specifically suffered in the vertebrae L1- L5 of the spine. As a methodological bias, a it ensemble - combination of classifiers was used. The individual and binary classifiers used in the construction of it ensemble were: SVM, KNN, Naive Bayes and AdaBoost. The method used 54 tomography images, 27 images of acromegalic individuals and 27 images of individuals free of acromegaly. The machine learning was elaborated by means of characteristics calculated from the texture of the images in the domain of space domain and frequency domain. The classificatory result reached rates of 95 % sensitivity, 96% specificity and 95% accuracy. Based on the relevance of the results obtained, it is possible to carry out new research to develop tools to aid in the diagnosis of acromegaly.
metadata.dc.description.unidade: Instituto de Ciências Exatas (IE)
Departamento de Ciência da Computação (IE CIC)
Description: Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2018.
metadata.dc.description.ppg: Programa de Pós-Graduação em Informática
Licença:: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Collection(s) :Teses, dissertações e produtos pós-doutorado

Affichage détaillé " class="statisticsLink btn btn-primary" href="/jspui/handle/10482/34254/statistics">



Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.