Detecção e qualificação de lesões melanocíticas através de evidências locais e de contexto

Detalhes bibliográficos
Ano de defesa: 2016
Autor(a) principal: Bernart, Eliezer Emanuel
Orientador(a): Bampi, Sergio
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:
Computação gráfica
Processamento : Imagens médicas
Palavras-chave em Inglês:
Segmentation
Classification
Melanocytic lesions
Macroscopic images
Link de acesso: http://hdl.handle.net/10183/134372
Resumo: Neste trabalho, um novo método não-supervisionado para segmentação de lesões melanocíticas em imagens macroscópicas é proposto levando em consideração regiões suspeitas, e também uma nova abordagem para classificação de lesões que faz uso de evidências locais e de contexto para estimar um índice de probabilidade para malignidade em cada lesão. O método proposto realiza a segmentação das imagens em três tipos de regiões disjuntas: ‘pele saudável’, ‘região de incerteza’ e ‘lesão’. Regiões de incerteza são refinadas através da utilização de feições estocásticas também de forma não-supervisionada, resultando em uma máscara binária que discrimina a pele da lesão. As máscaras obtidas apresentam um erro XOR comparável aos métodos estado da arte. A imagem é segmentada utilizando um algoritmo de superpixels e as sub-regiões que intersectam a máscara obtida são categorizadas como evidências locais. Estas evidências são representadas por uma descrição especializada que explora as características como cor e textura. Estas sub-regiões são então associadas à evidências de contexto definidas pela borda da lesão de onde foram extraídas e classificadas de forma independente através de uma abordagem supervisionada. Com o resultado da classificação destas evidências é possível obter um indicador probabilístico para malignidade associado a cada lesão, e levando em consideração um valor de tolerância é possível identificar lesões malignas em potencial. Os resultados obtidos com o método proposto são promissores e apresentam maior acurácia do que os métodos existentes na literatura apesar do erro XOR da segmentação das lesões ser maior, o que tende a confirmar o potencial do método proposto para discriminar lesões melanocíticas benignas e malignas.
id URGS_08928aae9672ddb3b0ab68d356e3239f
oai_identifier_str oai:www.lume.ufrgs.br:10183/134372
network_acronym_str URGS
network_name_str Biblioteca Digital de Teses e Dissertações da UFRGS
repository_id_str
spelling Bernart, Eliezer EmanuelBampi, SergioScharcanski, Jacob2016-03-29T02:06:53Z2016http://hdl.handle.net/10183/134372000988366Neste trabalho, um novo método não-supervisionado para segmentação de lesões melanocíticas em imagens macroscópicas é proposto levando em consideração regiões suspeitas, e também uma nova abordagem para classificação de lesões que faz uso de evidências locais e de contexto para estimar um índice de probabilidade para malignidade em cada lesão. O método proposto realiza a segmentação das imagens em três tipos de regiões disjuntas: ‘pele saudável’, ‘região de incerteza’ e ‘lesão’. Regiões de incerteza são refinadas através da utilização de feições estocásticas também de forma não-supervisionada, resultando em uma máscara binária que discrimina a pele da lesão. As máscaras obtidas apresentam um erro XOR comparável aos métodos estado da arte. A imagem é segmentada utilizando um algoritmo de superpixels e as sub-regiões que intersectam a máscara obtida são categorizadas como evidências locais. Estas evidências são representadas por uma descrição especializada que explora as características como cor e textura. Estas sub-regiões são então associadas à evidências de contexto definidas pela borda da lesão de onde foram extraídas e classificadas de forma independente através de uma abordagem supervisionada. Com o resultado da classificação destas evidências é possível obter um indicador probabilístico para malignidade associado a cada lesão, e levando em consideração um valor de tolerância é possível identificar lesões malignas em potencial. Os resultados obtidos com o método proposto são promissores e apresentam maior acurácia do que os métodos existentes na literatura apesar do erro XOR da segmentação das lesões ser maior, o que tende a confirmar o potencial do método proposto para discriminar lesões melanocíticas benignas e malignas.In this work, a novel unsupervised method for melanocytic macroscopic image segmentation is proposed considering suspicious regions, and also a novel approach for lesion classification using local and context evidence to estimate a probabilistic index of malignity or benignity in each lesion. The proposed method segment the macroscopic images in three types of disjoint regions: ‘healthy skin’, ‘suspicious region’ and ‘lesion’. Suspicious areas are refined using stochastic texture features also in an unsupervised approach, resulting in a binary mask discriminating skin and lesion. The resulting masks present an XOR error similar to other state-of-art methods. In the next step, the image is segmented using a superpixels algorithm and subregions that intersect the obtained mask categorized as local evidence. A specialized representation describes color and texture information present in the local evidence region. The border of the segmented skin lesion defines the context evidence and using a supervised approach, local and context evidence are combined and classified independently. With the evidence classification results is possible to obtain a probabilistic index of malignity and benignity associated to each lesion, and considering a tolerance value is possible to identify potential malignant lesions. The results achieved with the proposed method are promissing and present greater accuracy than other techniques in the literature, even with a greater XOR error in segmentation step, confirming the proposed method’s potential to discriminate benignant and malignant melanocytic lesions.application/pdfporComputação gráficaProcessamento : Imagens médicasSegmentationClassificationMelanocytic lesionsMacroscopic imagesDetecção e qualificação de lesões melanocíticas através de evidências locais e de contextoDetection and qualification of melanocytic lesions using local and context evidences info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPrograma de Pós-Graduação em ComputaçãoPorto Alegre, BR-RS2016mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSORIGINAL000988366.pdf000988366.pdfTexto completoapplication/pdf2671157http://www.lume.ufrgs.br/bitstream/10183/134372/1/000988366.pdf5eaa9b68c28fd9a5e744c9892a0b5828MD51TEXT000988366.pdf.txt000988366.pdf.txtExtracted Texttext/plain101332http://www.lume.ufrgs.br/bitstream/10183/134372/2/000988366.pdf.txtf48c83c61854e0d32351cc2fb484b6c3MD52THUMBNAIL000988366.pdf.jpg000988366.pdf.jpgGenerated Thumbnailimage/jpeg1172http://www.lume.ufrgs.br/bitstream/10183/134372/3/000988366.pdf.jpg99abc6c4b639199952f817bd1489d20aMD5310183/1343722021-05-26 04:47:15.209435oai:www.lume.ufrgs.br:10183/134372Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532021-05-26T07:47:15Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Detecção e qualificação de lesões melanocíticas através de evidências locais e de contexto
dc.title.alternative.en.fl_str_mv Detection and qualification of melanocytic lesions using local and context evidences
title Detecção e qualificação de lesões melanocíticas através de evidências locais e de contexto
spellingShingle Detecção e qualificação de lesões melanocíticas através de evidências locais e de contexto
Bernart, Eliezer Emanuel
Computação gráfica
Processamento : Imagens médicas
Segmentation
Classification
Melanocytic lesions
Macroscopic images
title_short Detecção e qualificação de lesões melanocíticas através de evidências locais e de contexto
title_full Detecção e qualificação de lesões melanocíticas através de evidências locais e de contexto
title_fullStr Detecção e qualificação de lesões melanocíticas através de evidências locais e de contexto
title_full_unstemmed Detecção e qualificação de lesões melanocíticas através de evidências locais e de contexto
title_sort Detecção e qualificação de lesões melanocíticas através de evidências locais e de contexto
author Bernart, Eliezer Emanuel
author_facet Bernart, Eliezer Emanuel
author_role author
dc.contributor.author.fl_str_mv Bernart, Eliezer Emanuel
dc.contributor.advisor1.fl_str_mv Bampi, Sergio
dc.contributor.advisor-co1.fl_str_mv Scharcanski, Jacob
contributor_str_mv Bampi, Sergio
Scharcanski, Jacob
dc.subject.por.fl_str_mv Computação gráfica
Processamento : Imagens médicas
topic Computação gráfica
Processamento : Imagens médicas
Segmentation
Classification
Melanocytic lesions
Macroscopic images
dc.subject.eng.fl_str_mv Segmentation
Classification
Melanocytic lesions
Macroscopic images
description Neste trabalho, um novo método não-supervisionado para segmentação de lesões melanocíticas em imagens macroscópicas é proposto levando em consideração regiões suspeitas, e também uma nova abordagem para classificação de lesões que faz uso de evidências locais e de contexto para estimar um índice de probabilidade para malignidade em cada lesão. O método proposto realiza a segmentação das imagens em três tipos de regiões disjuntas: ‘pele saudável’, ‘região de incerteza’ e ‘lesão’. Regiões de incerteza são refinadas através da utilização de feições estocásticas também de forma não-supervisionada, resultando em uma máscara binária que discrimina a pele da lesão. As máscaras obtidas apresentam um erro XOR comparável aos métodos estado da arte. A imagem é segmentada utilizando um algoritmo de superpixels e as sub-regiões que intersectam a máscara obtida são categorizadas como evidências locais. Estas evidências são representadas por uma descrição especializada que explora as características como cor e textura. Estas sub-regiões são então associadas à evidências de contexto definidas pela borda da lesão de onde foram extraídas e classificadas de forma independente através de uma abordagem supervisionada. Com o resultado da classificação destas evidências é possível obter um indicador probabilístico para malignidade associado a cada lesão, e levando em consideração um valor de tolerância é possível identificar lesões malignas em potencial. Os resultados obtidos com o método proposto são promissores e apresentam maior acurácia do que os métodos existentes na literatura apesar do erro XOR da segmentação das lesões ser maior, o que tende a confirmar o potencial do método proposto para discriminar lesões melanocíticas benignas e malignas.
publishDate 2016
dc.date.accessioned.fl_str_mv 2016-03-29T02:06:53Z
dc.date.issued.fl_str_mv 2016
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/10183/134372
dc.identifier.nrb.pt_BR.fl_str_mv 000988366
url http://hdl.handle.net/10183/134372
identifier_str_mv 000988366
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.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Biblioteca Digital de Teses e Dissertações da UFRGS
collection Biblioteca Digital de Teses e Dissertações da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/134372/1/000988366.pdf
http://www.lume.ufrgs.br/bitstream/10183/134372/2/000988366.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/134372/3/000988366.pdf.jpg
bitstream.checksum.fl_str_mv 5eaa9b68c28fd9a5e744c9892a0b5828
f48c83c61854e0d32351cc2fb484b6c3
99abc6c4b639199952f817bd1489d20a
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv lume@ufrgs.br||lume@ufrgs.br
_version_ 1831315986666487808

Registros relacionados