Assinaturas de entropia amostral para classificação de imagens H&E de linfomas não-Hodgkin: uma análise envolvendo técnicas de segmentação e normalização de cores

Detalhes bibliográficos
Ano de defesa: 2020
Autor(a) principal: Rozendo, Guilherme Botazzo
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:
Entropia amostral
Assinaturas de SampEn
Linfomas não-Hodgkin
Classificação
Segmentação
Normalização de cor
Sample entropy
SampEn signatures
Non-Hodgkin lymphomas
Classification
Segmentation
Color normalization
Link de acesso: http://hdl.handle.net/11449/193753
Resumo: Neste trabalho é apresentado um método baseado em assinaturas de texturas da entropia amostral para quantificar e classificar os grupos linfoide crônica, linfoma folicular e linfoma de células do manto do câncer linfoma não-Hodgkin. O poder discriminativo das assinaturas de entropia amostral foi testado via coloração com hematoxilina e eosina, e diferentes técnicas de segmentação e normalização de cores. As assinaturas de textura foram definidas como curvas de características obtidas a partir de múltiplas observações, combinando os parâmetros m e r da entropia amostral. O comportamento de cada assinatura foi determinado a partir das métricas área sob a curva, obliquidade, ponto máximo de entropia e razão de área. Os resultados foram características fornecidas para classificadores baseados em função, lazy learning, árvores, evolução genética, enxame de partículas e comportamento animal. A melhor combinação de características e classificador foi testada com a adição de diferentes níveis de ruído. Os desempenhos conquistados com a proposta foram taxas de acurácia entre 98,72% e 99,60% com apenas 10 atributos, o que superou os resultados fornecidos por importantes técnicas disponíveis na literatura, mostrando que a abordagem é promissora e pode ser útil para o estudo e reconhecimento de padrões do câncer linfomas não-Hodgkin.
id UNSP_fee76d7e9b65c506704f48034bff67bd
oai_identifier_str oai:repositorio.unesp.br:11449/193753
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str
spelling Assinaturas de entropia amostral para classificação de imagens H&E de linfomas não-Hodgkin: uma análise envolvendo técnicas de segmentação e normalização de coresSample entropy signatures for H&E lymphoma image classification: an analysis with multiple segmentation and color normalization approachesEntropia amostralAssinaturas de SampEnLinfomas não-HodgkinClassificaçãoSegmentaçãoNormalização de corSample entropySampEn signaturesNon-Hodgkin lymphomasClassificationSegmentationColor normalizationNeste trabalho é apresentado um método baseado em assinaturas de texturas da entropia amostral para quantificar e classificar os grupos linfoide crônica, linfoma folicular e linfoma de células do manto do câncer linfoma não-Hodgkin. O poder discriminativo das assinaturas de entropia amostral foi testado via coloração com hematoxilina e eosina, e diferentes técnicas de segmentação e normalização de cores. As assinaturas de textura foram definidas como curvas de características obtidas a partir de múltiplas observações, combinando os parâmetros m e r da entropia amostral. O comportamento de cada assinatura foi determinado a partir das métricas área sob a curva, obliquidade, ponto máximo de entropia e razão de área. Os resultados foram características fornecidas para classificadores baseados em função, lazy learning, árvores, evolução genética, enxame de partículas e comportamento animal. A melhor combinação de características e classificador foi testada com a adição de diferentes níveis de ruído. Os desempenhos conquistados com a proposta foram taxas de acurácia entre 98,72% e 99,60% com apenas 10 atributos, o que superou os resultados fornecidos por importantes técnicas disponíveis na literatura, mostrando que a abordagem é promissora e pode ser útil para o estudo e reconhecimento de padrões do câncer linfomas não-Hodgkin.Herein, we present a method that uses entropy texture signatures to distinguish chronic lymphocytic leukemia, follicular lymphoma and mantle cell lymphoma from non-Hodgkin’s lymphoma. The discriminative power of sample entropy signatures were tested via hematoxylin and eosin staining, and multiple segmentation techniques and color normalization approaches. Texture signatures were defined as feature curves obtained from multiple observations, by associating m and r parameters. The behavior of each signature was determined from areas under the curve, skewness, maximum entropy values and area ratios. The results consisted of features which were provided for different functions, such as lazy learning, trees, genetic evolution, particle swarm and animal behavior-based classifiers. The tightest associations between features and classifiers were tested as different noise levels were added. The performance achieved with the proposed method was accuracy rates between 98.72% and 99.60% with only 10 attributes, that is greater than results provided by previously established techniques, which indicates that the proposed approach may be useful for studying and recognizing patterns associated with non-Hodgkin’s lymphomas.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)CAPES: 001Universidade Estadual Paulista (Unesp)Neves, Leandro Alves [UNESP]Universidade Estadual Paulista (Unesp)Rozendo, Guilherme Botazzo2020-10-06T18:44:10Z2020-10-06T18:44:10Z2020-09-29info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/11449/19375333004153073P2porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2024-11-05T13:26:13Zoai:repositorio.unesp.br:11449/193753Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestrepositoriounesp@unesp.bropendoar:29462024-11-05T13:26:13Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false
dc.title.none.fl_str_mv Assinaturas de entropia amostral para classificação de imagens H&E de linfomas não-Hodgkin: uma análise envolvendo técnicas de segmentação e normalização de cores
Sample entropy signatures for H&E lymphoma image classification: an analysis with multiple segmentation and color normalization approaches
title Assinaturas de entropia amostral para classificação de imagens H&E de linfomas não-Hodgkin: uma análise envolvendo técnicas de segmentação e normalização de cores
spellingShingle Assinaturas de entropia amostral para classificação de imagens H&E de linfomas não-Hodgkin: uma análise envolvendo técnicas de segmentação e normalização de cores
Rozendo, Guilherme Botazzo
Entropia amostral
Assinaturas de SampEn
Linfomas não-Hodgkin
Classificação
Segmentação
Normalização de cor
Sample entropy
SampEn signatures
Non-Hodgkin lymphomas
Classification
Segmentation
Color normalization
title_short Assinaturas de entropia amostral para classificação de imagens H&E de linfomas não-Hodgkin: uma análise envolvendo técnicas de segmentação e normalização de cores
title_full Assinaturas de entropia amostral para classificação de imagens H&E de linfomas não-Hodgkin: uma análise envolvendo técnicas de segmentação e normalização de cores
title_fullStr Assinaturas de entropia amostral para classificação de imagens H&E de linfomas não-Hodgkin: uma análise envolvendo técnicas de segmentação e normalização de cores
title_full_unstemmed Assinaturas de entropia amostral para classificação de imagens H&E de linfomas não-Hodgkin: uma análise envolvendo técnicas de segmentação e normalização de cores
title_sort Assinaturas de entropia amostral para classificação de imagens H&E de linfomas não-Hodgkin: uma análise envolvendo técnicas de segmentação e normalização de cores
author Rozendo, Guilherme Botazzo
author_facet Rozendo, Guilherme Botazzo
author_role author
dc.contributor.none.fl_str_mv Neves, Leandro Alves [UNESP]
Universidade Estadual Paulista (Unesp)
dc.contributor.author.fl_str_mv Rozendo, Guilherme Botazzo
dc.subject.por.fl_str_mv Entropia amostral
Assinaturas de SampEn
Linfomas não-Hodgkin
Classificação
Segmentação
Normalização de cor
Sample entropy
SampEn signatures
Non-Hodgkin lymphomas
Classification
Segmentation
Color normalization
topic Entropia amostral
Assinaturas de SampEn
Linfomas não-Hodgkin
Classificação
Segmentação
Normalização de cor
Sample entropy
SampEn signatures
Non-Hodgkin lymphomas
Classification
Segmentation
Color normalization
description Neste trabalho é apresentado um método baseado em assinaturas de texturas da entropia amostral para quantificar e classificar os grupos linfoide crônica, linfoma folicular e linfoma de células do manto do câncer linfoma não-Hodgkin. O poder discriminativo das assinaturas de entropia amostral foi testado via coloração com hematoxilina e eosina, e diferentes técnicas de segmentação e normalização de cores. As assinaturas de textura foram definidas como curvas de características obtidas a partir de múltiplas observações, combinando os parâmetros m e r da entropia amostral. O comportamento de cada assinatura foi determinado a partir das métricas área sob a curva, obliquidade, ponto máximo de entropia e razão de área. Os resultados foram características fornecidas para classificadores baseados em função, lazy learning, árvores, evolução genética, enxame de partículas e comportamento animal. A melhor combinação de características e classificador foi testada com a adição de diferentes níveis de ruído. Os desempenhos conquistados com a proposta foram taxas de acurácia entre 98,72% e 99,60% com apenas 10 atributos, o que superou os resultados fornecidos por importantes técnicas disponíveis na literatura, mostrando que a abordagem é promissora e pode ser útil para o estudo e reconhecimento de padrões do câncer linfomas não-Hodgkin.
publishDate 2020
dc.date.none.fl_str_mv 2020-10-06T18:44:10Z
2020-10-06T18:44:10Z
2020-09-29
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/11449/193753
33004153073P2
url http://hdl.handle.net/11449/193753
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
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_ 1854955044005216256

Registros relacionados