Aprendizado de máquina aplicado à segmentação de imagens de lesão de pele

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Seixas Junior, José Luis
Orientador(a): Felinto, Alan Salvany [Orientador]
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Redes neurais (Computação)
Processamento de sinais
Técnicas digitais
Algoritmos de computador
Pele
Neural networks (Computer science)
Computer algorithms
Skin
Machine learning
Diseases
Link de acesso: https://repositorio.uel.br/handle/123456789/15419
Resumo: Resumo: O diagnóstico incorreto de doenças de pele pode resultar em complicações durante o processo de cura As imagens da pele fornecem informações importantes para a equipe médica no armazenamento e troca de informações na tentativa de prevenir que esse diagnóstico incorreto ocorra Para tal, é necessário um bom processo de segmentação A segmentação dessas imagens já está sendo usada e tem sido uma ferramenta eficaz para o reconhecimento de doenças de pele Este trabalho apresenta diferentes métodos para segmentação, como descoberta de sementes para crescimento de regiões, já que vários algoritmos de crescimento de regiões apresentam bons resultados de clusterização, porém são sensíveis a sementes, usando a energia do canal da cor em regiões, ao invés de usar o sistema de RGB separados para cada pixel Outras abordagens foram construídas com diferentes paradigmas de aprendizagem de máquina para a segmentação de imagens médicas de úlceras de pele em membros inferiores Para o aprendizado de máquina, foram usados os algoritmos de árvore de decisão, que trazem uma abordagem mais intuitíva e também, com redes neurais, que possuem desempenho adequado para problemas não lineares Os resultados foram comparados com modelo ouro obtido com a ajuda de especialistas, os resultados se mostraram adequados para a análise das características das lesões e abriram caminhos que poderão ser seguidos em trabalhos futuros, visto que, mesmo que adequados, os resultados ainda podem ser melhorados
id UEL_69f28d5f22f5e814df03ecd46ffbeb06
oai_identifier_str oai:repositorio.uel.br:123456789/15419
network_acronym_str UEL
network_name_str Repositório Institucional da UEL
repository_id_str
spelling Seixas Junior, José LuisBarbon Junior, Sylvio461a5e00-1e18-492b-aed3-2b52c2fd31c0-1França, José Alexandre de21a8afd6-9ca5-47ad-a607-8a57d061b4ce-1Campos, Vitor Valério de Souzab21049b2-d88c-4278-bfdc-c3854ff728b5-1bb1b5ee3-0c18-4ea2-b3d5-b817b30ce9e55bcc64a9-764a-4d12-bc06-0a18dc16e3c1Felinto, Alan Salvany [Orientador]Londrina2024-05-01T14:48:44Z2024-05-01T14:48:44Z2015.0023.03.2015https://repositorio.uel.br/handle/123456789/15419Resumo: O diagnóstico incorreto de doenças de pele pode resultar em complicações durante o processo de cura As imagens da pele fornecem informações importantes para a equipe médica no armazenamento e troca de informações na tentativa de prevenir que esse diagnóstico incorreto ocorra Para tal, é necessário um bom processo de segmentação A segmentação dessas imagens já está sendo usada e tem sido uma ferramenta eficaz para o reconhecimento de doenças de pele Este trabalho apresenta diferentes métodos para segmentação, como descoberta de sementes para crescimento de regiões, já que vários algoritmos de crescimento de regiões apresentam bons resultados de clusterização, porém são sensíveis a sementes, usando a energia do canal da cor em regiões, ao invés de usar o sistema de RGB separados para cada pixel Outras abordagens foram construídas com diferentes paradigmas de aprendizagem de máquina para a segmentação de imagens médicas de úlceras de pele em membros inferiores Para o aprendizado de máquina, foram usados os algoritmos de árvore de decisão, que trazem uma abordagem mais intuitíva e também, com redes neurais, que possuem desempenho adequado para problemas não lineares Os resultados foram comparados com modelo ouro obtido com a ajuda de especialistas, os resultados se mostraram adequados para a análise das características das lesões e abriram caminhos que poderão ser seguidos em trabalhos futuros, visto que, mesmo que adequados, os resultados ainda podem ser melhoradosDissertação (Mestrado em Ciência da Computação) - Universidade Estadual de Londrina, Centro de Ciências Exatas, Programa de Pós-Graduação em Ciência da ComputaçãoAbstract: Misleading diagnosis of skin diseases can result in complications during the healing process Skin images provide important information for the medical staff for information storage and exchange, to trying to prevent this misdiagnosis from happening For such, a good segmentation process is needed The segmentation of these images is already being used and has been an effective tool for skin diseases recognition This paper presents various methods for targeting seeds for region growing algorithms, as several of region growing algorithms have good clustering results, but are sensitive to seed, the use of color channel energy from regions instead of to use of separate RGB system for each pixel Other approaches are built with different paradigms of machine learning for segmentation of medical images of skin ulcers in the lower limbs For machine learning, decision tree algorithms were used, which bring a more intuitive approach, and also with neural networks, which have great performance for nonlinear problems The results were compared with gold standard obtained with the help of experts, the results were good and opened paths that can be followed for further work since, even though good results, they can still be improvedporRedes neurais (Computação)Processamento de sinaisTécnicas digitaisAlgoritmos de computadorPeleNeural networks (Computer science)Computer algorithmsSkinMachine learningDiseasesAprendizado de máquina aplicado à segmentação de imagens de lesão de peleinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisMestradoCiência da ComputaçãoCentro de Ciências ExatasPrograma de Pós-Graduação em Ciência da Computação-1-1reponame:Repositório Institucional da UELinstname:Universidade Estadual de Londrina (UEL)instacron:UELinfo:eu-repo/semantics/openAccess176420vtls000200623SIMvtls000200623http://www.bibliotecadigital.uel.br/document/?code=vtls00020062364.00SIMhttp://www.bibliotecadigital.uel.br/document/?code=vtls0002006233782.pdf123456789/5002 - Mestrado - Ciência da ComputaçãoORIGINAL3782.pdfapplication/pdf2475584https://repositorio.uel.br/bitstreams/f0920cdc-1140-46a0-a81d-227f3d306850/download4a98caaa733241f657ad3a5cc7f83b85MD51LICENCElicence.txttext/plain263https://repositorio.uel.br/bitstreams/a9625425-c098-4c44-ad8a-bedd6ae47d8f/download753f376dfdbc064b559839be95ac5523MD52TEXT3782.pdf.txt3782.pdf.txtExtracted texttext/plain120188https://repositorio.uel.br/bitstreams/57a89c78-1891-469f-91d5-f6bf92f3d252/downloadbf604ffb1f2747bd6f6ec5890ccceeeeMD53THUMBNAIL3782.pdf.jpg3782.pdf.jpgGenerated Thumbnailimage/jpeg3619https://repositorio.uel.br/bitstreams/397168c6-4650-41f0-8627-125712933d73/download4ca94ca7f393a377dd50bad067e55eabMD54123456789/154192024-07-12 01:19:59.779open.accessoai:repositorio.uel.br:123456789/15419https://repositorio.uel.brBiblioteca Digital de Teses e Dissertaçõeshttp://www.bibliotecadigital.uel.br/PUBhttp://www.bibliotecadigital.uel.br/OAI/oai2.phpbcuel@uel.br||opendoar:2024-07-12T04:19:59Repositório Institucional da UEL - Universidade Estadual de Londrina (UEL)false
dc.title.pt_BR.fl_str_mv Aprendizado de máquina aplicado à segmentação de imagens de lesão de pele
title Aprendizado de máquina aplicado à segmentação de imagens de lesão de pele
spellingShingle Aprendizado de máquina aplicado à segmentação de imagens de lesão de pele
Seixas Junior, José Luis
Redes neurais (Computação)
Processamento de sinais
Técnicas digitais
Algoritmos de computador
Pele
Neural networks (Computer science)
Computer algorithms
Skin
Machine learning
Diseases
title_short Aprendizado de máquina aplicado à segmentação de imagens de lesão de pele
title_full Aprendizado de máquina aplicado à segmentação de imagens de lesão de pele
title_fullStr Aprendizado de máquina aplicado à segmentação de imagens de lesão de pele
title_full_unstemmed Aprendizado de máquina aplicado à segmentação de imagens de lesão de pele
title_sort Aprendizado de máquina aplicado à segmentação de imagens de lesão de pele
author Seixas Junior, José Luis
author_facet Seixas Junior, José Luis
author_role author
dc.contributor.banca.pt_BR.fl_str_mv Barbon Junior, Sylvio
França, José Alexandre de
Campos, Vitor Valério de Souza
dc.contributor.author.fl_str_mv Seixas Junior, José Luis
dc.contributor.authorID.fl_str_mv bb1b5ee3-0c18-4ea2-b3d5-b817b30ce9e5
dc.contributor.advisor1ID.fl_str_mv 5bcc64a9-764a-4d12-bc06-0a18dc16e3c1
dc.contributor.advisor1.fl_str_mv Felinto, Alan Salvany [Orientador]
contributor_str_mv Felinto, Alan Salvany [Orientador]
dc.subject.por.fl_str_mv Redes neurais (Computação)
Processamento de sinais
Técnicas digitais
Algoritmos de computador
Pele
Neural networks (Computer science)
Computer algorithms
Skin
Machine learning
Diseases
topic Redes neurais (Computação)
Processamento de sinais
Técnicas digitais
Algoritmos de computador
Pele
Neural networks (Computer science)
Computer algorithms
Skin
Machine learning
Diseases
description Resumo: O diagnóstico incorreto de doenças de pele pode resultar em complicações durante o processo de cura As imagens da pele fornecem informações importantes para a equipe médica no armazenamento e troca de informações na tentativa de prevenir que esse diagnóstico incorreto ocorra Para tal, é necessário um bom processo de segmentação A segmentação dessas imagens já está sendo usada e tem sido uma ferramenta eficaz para o reconhecimento de doenças de pele Este trabalho apresenta diferentes métodos para segmentação, como descoberta de sementes para crescimento de regiões, já que vários algoritmos de crescimento de regiões apresentam bons resultados de clusterização, porém são sensíveis a sementes, usando a energia do canal da cor em regiões, ao invés de usar o sistema de RGB separados para cada pixel Outras abordagens foram construídas com diferentes paradigmas de aprendizagem de máquina para a segmentação de imagens médicas de úlceras de pele em membros inferiores Para o aprendizado de máquina, foram usados os algoritmos de árvore de decisão, que trazem uma abordagem mais intuitíva e também, com redes neurais, que possuem desempenho adequado para problemas não lineares Os resultados foram comparados com modelo ouro obtido com a ajuda de especialistas, os resultados se mostraram adequados para a análise das características das lesões e abriram caminhos que poderão ser seguidos em trabalhos futuros, visto que, mesmo que adequados, os resultados ainda podem ser melhorados
publishDate 2024
dc.date.defesa.pt_BR.fl_str_mv 23.03.2015
dc.date.created.fl_str_mv 2015.00
dc.date.accessioned.fl_str_mv 2024-05-01T14:48:44Z
dc.date.available.fl_str_mv 2024-05-01T14:48:44Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.uel.br/handle/123456789/15419
url https://repositorio.uel.br/handle/123456789/15419
dc.language.iso.fl_str_mv por
language por
dc.relation.confidence.fl_str_mv -1
-1
dc.relation.coursedegree.pt_BR.fl_str_mv Mestrado
dc.relation.coursename.pt_BR.fl_str_mv Ciência da Computação
dc.relation.departament.pt_BR.fl_str_mv Centro de Ciências Exatas
dc.relation.ppgname.pt_BR.fl_str_mv Programa de Pós-Graduação em Ciência da Computação
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.coverage.spatial.pt_BR.fl_str_mv Londrina
dc.source.none.fl_str_mv reponame:Repositório Institucional da UEL
instname:Universidade Estadual de Londrina (UEL)
instacron:UEL
instname_str Universidade Estadual de Londrina (UEL)
instacron_str UEL
institution UEL
reponame_str Repositório Institucional da UEL
collection Repositório Institucional da UEL
bitstream.url.fl_str_mv https://repositorio.uel.br/bitstreams/f0920cdc-1140-46a0-a81d-227f3d306850/download
https://repositorio.uel.br/bitstreams/a9625425-c098-4c44-ad8a-bedd6ae47d8f/download
https://repositorio.uel.br/bitstreams/57a89c78-1891-469f-91d5-f6bf92f3d252/download
https://repositorio.uel.br/bitstreams/397168c6-4650-41f0-8627-125712933d73/download
bitstream.checksum.fl_str_mv 4a98caaa733241f657ad3a5cc7f83b85
753f376dfdbc064b559839be95ac5523
bf604ffb1f2747bd6f6ec5890ccceeee
4ca94ca7f393a377dd50bad067e55eab
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UEL - Universidade Estadual de Londrina (UEL)
repository.mail.fl_str_mv bcuel@uel.br||
_version_ 1856675778153938944

Registros relacionados