Publicação: Classificação do câncer colorretal baseada na associação de características multidimensional e multirresolução
Carregando...
Arquivos
Data
Autores
Orientador
Neves, Leandro Alves 
Coorientador
Pós-graduação
Ciência da Computação - IBILCE
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Dissertação de mestrado
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
Neste trabalho, um método foi proposto a partir da combinação entre técnicas fractais multiescalas e multidimensionais, transformada curvelet e descritores de Haralick para o estudo e reconhecimento de padrões do câncer colorretal nos estágios T3 e T4. Esta combinação ainda não foi explorada na literatura. O método foi baseado em uma abordagem para seleção de características e diferentes técnicas de classificação para avaliar as combinações, tais como árvore de decisão, floresta aleatória, máquina de vetores de suporte, naive bayes, k-estrela e um método polinomial. Os testes foram avaliados a partir da validação cruzada com 10-folds. A estratégia proposta permitiu realizar interpretações mais precisas ao considerar as melhores associações para separar as classes benigno e maligno de imagens histológicas colorretais. O melhor resultado foi uma taxa de AUC de 0,994, com características baseadas principalmente em lacunaridade e percolação obtidas a partir de subimagens curvelet, aplicando um classificador polinomial. O desempenho obtido com uma análise detalhada envolvendo diferentes tipos de características e classificadores são contribuições importantes para patologistas e especialistas interessados no estudo do câncer colorretal.
Resumo (inglês)
In this study, a method is proposed that associates multidimensional fractal techniques,curvelettransformsandHaralickfeaturesforthestudyandpatternrecognition of colorectal cancer in stages T3 and T4, a combination not yet explored in the literature. The method considered a feature selection approach and different classification techniques for evaluating combinations, such as decision tree, random forest, support vector machine, naive bayes, k-star and a polynomial method. This strategy allowed formorepreciseinterpretationsregardingthebestassociationsfortheseparationinto benign and malignant classes concerning colorectal histological images. The best result was reached with features based mainly on lacunarity and percolation obtained from curvelet sub-images, using a polynomial classifier. The tests were evaluated by applying the 10-fold cross-validation and the best result was a rate of AUC = 0.994. The obtained performance with a detailed analysis involving different types of features and classifiers are important contributions both to pathologists and specialists interested in the study of colorectal cancer.
Descrição
Palavras-chave
Curvelet, Dimensão fractal, Lacunaridade, Descritores de haralick, Fractal dimension, Lacunarity, Haralick features
Idioma
Português
