Ensemble learning como estratégia para investigar imagens H&E utilizando duplo estágio de seleção de atributos

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Tenguam, Jaqueline Junko
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Estadual Paulista (Unesp)
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Ensemble learning
Descritores handcrafted
Descritores deep learned
Imagens histológicas
Duplo estágio de seleção de atributos
Handcrafted features
Deep learned features
Histological images
Two-stage feature selection
Link de acesso: http://hdl.handle.net/11449/239712
Resumo: Neste trabalho, é apresentada uma investigação de ensemble learning para o contexto de imagens médicas, especificamente o reconhecimento de padrões em amostras histológicas tingidas com Hematoxilina e Eosina. As bases exploradas foram representativas do câncer colorretal, displasia oral epitelial, linfomas não-Hodgkin e tecidos hepáticos. A estratégia de ensemble learning foi considerada a partir de múltiplos descritores, tais como deep learned e handcrafted, e múltiplos classificadores. Os descritores deep learned foram calculados explorando cinco distintas arquiteturas de redes neurais convolucionais. Os descritores handcrafted foram representativos das categorias fractais multidimensionais e multiescala, Haralick e Local Binary Pattern. As principais combinações de descritores, consequentemente de técnicas, foram obtidas por meio de duplo estágio de seleção de atributos (ranqueamento com meta-heurísticas) e classificadas via um ensemble de classificadores compostos por múltiplos classificadores: Support Vector Machine, Naive Bayes, Random Forest, Regressão Logística e K-Nearest Neighbors. As taxas de acurácias foram valores entre 90,72% e 100,00%, com alguns destaques envolvendo combinações de técnicas capazes de aprimorar as acurácias em diferentes contextos de imagens histológicas; análise dos atributos presentes nas melhores soluções obtidas; e definição de combinações de ensembles com desempenhos competitivos em relação aos disponíveis na literatura, explorando um número reduzido de atributos.
id UNSP_5a12dcd3747848bfb4707fb15ae22616
oai_identifier_str oai:repositorio.unesp.br:11449/239712
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str
spelling Ensemble learning como estratégia para investigar imagens H&E utilizando duplo estágio de seleção de atributosEnsemble learning as a strategy for investigating H&E images using two-stage feature selectionEnsemble learningDescritores handcraftedDescritores deep learnedImagens histológicasDuplo estágio de seleção de atributosHandcrafted featuresDeep learned featuresHistological imagesTwo-stage feature selectionNeste trabalho, é apresentada uma investigação de ensemble learning para o contexto de imagens médicas, especificamente o reconhecimento de padrões em amostras histológicas tingidas com Hematoxilina e Eosina. As bases exploradas foram representativas do câncer colorretal, displasia oral epitelial, linfomas não-Hodgkin e tecidos hepáticos. A estratégia de ensemble learning foi considerada a partir de múltiplos descritores, tais como deep learned e handcrafted, e múltiplos classificadores. Os descritores deep learned foram calculados explorando cinco distintas arquiteturas de redes neurais convolucionais. Os descritores handcrafted foram representativos das categorias fractais multidimensionais e multiescala, Haralick e Local Binary Pattern. As principais combinações de descritores, consequentemente de técnicas, foram obtidas por meio de duplo estágio de seleção de atributos (ranqueamento com meta-heurísticas) e classificadas via um ensemble de classificadores compostos por múltiplos classificadores: Support Vector Machine, Naive Bayes, Random Forest, Regressão Logística e K-Nearest Neighbors. As taxas de acurácias foram valores entre 90,72% e 100,00%, com alguns destaques envolvendo combinações de técnicas capazes de aprimorar as acurácias em diferentes contextos de imagens histológicas; análise dos atributos presentes nas melhores soluções obtidas; e definição de combinações de ensembles com desempenhos competitivos em relação aos disponíveis na literatura, explorando um número reduzido de atributos.In this work, an ensemble learning investigation is presented for the context of medical images, specifically the recognition of patterns in histological samples stained with Hematoxylin and Eosin. The datasets explored were representative of colorectal cancer, oral epithelial dysplasia, non-Hodgkin lymphoma, and liver tissue. The ensemble learning strategy was considered from multiple descriptors, such as deep learned and handcrafted, and multiple classifiers. The deep learned features were calculated by exploring five different architectures of convolutional neural network. The handcrafted features were representative of the multidimensional and multiscale fractal, Haralick and Local Binary Pattern categories. The main combinations of descriptors, consequently of techniques, were obtained through a two-stage feature selection (ranking with metaheuristics) and classified via an ensemble of classifiers composed of multiple classifiers: Support Vector Machine, Naive Bayes, Random Forest, Logistic Regression, and K-Nearest Neighbors. The accuracy rates were values between 90.72% and 100.00%, with some highlights involving combinations of techniques capable of improving accuracy in different histological image contexts; analysis of the features present in the best solutions obtained; and definition of ensemble combinations with competitive performances compared to those available in the literature, exploring a reduced number of descriptors.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)Universidade Estadual Paulista (Unesp)Neves, Leandro Alves [UNESP]Universidade Estadual Paulista (Unesp)Tenguam, Jaqueline Junko2023-02-24T14:41:00Z2023-02-24T14:41:00Z2023-02-01info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfapplication/pdfhttp://hdl.handle.net/11449/23971233004153073P2porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2024-11-05T13:26:01Zoai:repositorio.unesp.br:11449/239712Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestrepositoriounesp@unesp.bropendoar:29462024-11-05T13:26:01Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false
dc.title.none.fl_str_mv Ensemble learning como estratégia para investigar imagens H&E utilizando duplo estágio de seleção de atributos
Ensemble learning as a strategy for investigating H&E images using two-stage feature selection
title Ensemble learning como estratégia para investigar imagens H&E utilizando duplo estágio de seleção de atributos
spellingShingle Ensemble learning como estratégia para investigar imagens H&E utilizando duplo estágio de seleção de atributos
Tenguam, Jaqueline Junko
Ensemble learning
Descritores handcrafted
Descritores deep learned
Imagens histológicas
Duplo estágio de seleção de atributos
Handcrafted features
Deep learned features
Histological images
Two-stage feature selection
title_short Ensemble learning como estratégia para investigar imagens H&E utilizando duplo estágio de seleção de atributos
title_full Ensemble learning como estratégia para investigar imagens H&E utilizando duplo estágio de seleção de atributos
title_fullStr Ensemble learning como estratégia para investigar imagens H&E utilizando duplo estágio de seleção de atributos
title_full_unstemmed Ensemble learning como estratégia para investigar imagens H&E utilizando duplo estágio de seleção de atributos
title_sort Ensemble learning como estratégia para investigar imagens H&E utilizando duplo estágio de seleção de atributos
author Tenguam, Jaqueline Junko
author_facet Tenguam, Jaqueline Junko
author_role author
dc.contributor.none.fl_str_mv Neves, Leandro Alves [UNESP]
Universidade Estadual Paulista (Unesp)
dc.contributor.author.fl_str_mv Tenguam, Jaqueline Junko
dc.subject.por.fl_str_mv Ensemble learning
Descritores handcrafted
Descritores deep learned
Imagens histológicas
Duplo estágio de seleção de atributos
Handcrafted features
Deep learned features
Histological images
Two-stage feature selection
topic Ensemble learning
Descritores handcrafted
Descritores deep learned
Imagens histológicas
Duplo estágio de seleção de atributos
Handcrafted features
Deep learned features
Histological images
Two-stage feature selection
description Neste trabalho, é apresentada uma investigação de ensemble learning para o contexto de imagens médicas, especificamente o reconhecimento de padrões em amostras histológicas tingidas com Hematoxilina e Eosina. As bases exploradas foram representativas do câncer colorretal, displasia oral epitelial, linfomas não-Hodgkin e tecidos hepáticos. A estratégia de ensemble learning foi considerada a partir de múltiplos descritores, tais como deep learned e handcrafted, e múltiplos classificadores. Os descritores deep learned foram calculados explorando cinco distintas arquiteturas de redes neurais convolucionais. Os descritores handcrafted foram representativos das categorias fractais multidimensionais e multiescala, Haralick e Local Binary Pattern. As principais combinações de descritores, consequentemente de técnicas, foram obtidas por meio de duplo estágio de seleção de atributos (ranqueamento com meta-heurísticas) e classificadas via um ensemble de classificadores compostos por múltiplos classificadores: Support Vector Machine, Naive Bayes, Random Forest, Regressão Logística e K-Nearest Neighbors. As taxas de acurácias foram valores entre 90,72% e 100,00%, com alguns destaques envolvendo combinações de técnicas capazes de aprimorar as acurácias em diferentes contextos de imagens histológicas; análise dos atributos presentes nas melhores soluções obtidas; e definição de combinações de ensembles com desempenhos competitivos em relação aos disponíveis na literatura, explorando um número reduzido de atributos.
publishDate 2023
dc.date.none.fl_str_mv 2023-02-24T14:41:00Z
2023-02-24T14:41:00Z
2023-02-01
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 http://hdl.handle.net/11449/239712
33004153073P2
url http://hdl.handle.net/11449/239712
identifier_str_mv 33004153073P2
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESP
instname:Universidade Estadual Paulista (UNESP)
instacron:UNESP
instname_str Universidade Estadual Paulista (UNESP)
instacron_str UNESP
institution UNESP
reponame_str Repositório Institucional da UNESP
collection Repositório Institucional da UNESP
repository.name.fl_str_mv Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)
repository.mail.fl_str_mv repositoriounesp@unesp.br
_version_ 1854954963545882624

Registros relacionados