• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Dissertação de Mestrado
DOI
10.11606/D.55.2012.tde-20022013-095418
Documento
Autor
Nome completo
Gabriel Efrain Humpire Mamani
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Carlos, 2012
Orientador
Banca examinadora
Traina, Agma Juci Machado (Presidente)
Batista Neto, João do Espírito Santo
Schiabel, Homero
Título em português
Seleção supervisionada de características por ranking para processar consultas por similaridade em imagens médicas
Palavras-chave em português
CAD
CBIR
Extração de características
Seleção de características
Resumo em português
Obter uma representação sucinta e representativa de imagens médicas é um desafio que tem sido perseguido por pesquisadores da área de processamento de imagens médicas com o propósito de apoiar o diagnóstico auxiliado por computador (Computer Aided Diagnosis - CAD). Os sistemas CAD utilizam algoritmos de extração de características para representar imagens, assim, diferentes extratores podem ser avaliados. No entanto, as imagens médicas contêm estruturas internas que são importantes para a identificação de tecidos, órgãos, malformações ou doenças. É usual que um grande número de características sejam extraídas das imagens, porém esse fato que poderia ser benéfico, pode na realidade prejudicar o processo de indexação e recuperação das imagens com problemas como a maldição da dimensionalidade. Assim, precisa-se selecionar as características mais relevantes para tornar o processo mais eficiente e eficaz. Esse trabalho desenvolveu o método de seleção supervisionada de características FSCoMS (Feature Selection based on Compactness Measure from Scatterplots) para obter o ranking das características, contemplando assim, o que é necessário para o tipo de imagens médicas sob análise. Dessa forma, produziu-se vetores de características mais enxutos e eficientes para responder consultas por similaridade. Adicionalmente, foi desenvolvido o extrator de características k-Gabor que extrai características por níveis de cinza, ressaltando estruturas internas das imagens médicas. Os experimentos realizados foram feitos com quatro bases de imagens médicas do mundo real, onde o k-Gabor sobressai pelo desempenho na recuperação por similaridade de imagens médicas, enquanto o FSCoMS reduz a redundância das características para obter um vetor de características menor do que os métodos de seleção de características convencionais e ainda com um maior desempenho em recuperação de imagens
Título em inglês
Supervised feature selection by ranking to process similarity queries in medical images
Palavras-chave em inglês
CAD
CBIR
Feature extraction
Feature selection
Resumo em inglês
Obtaining a representative and succinct description of medical images is a challenge that has been pursued by researchers in the area of medical image processing to support Computer-Aided Diagnosis (CAD). CAD systems use feature extraction algorithms to represent images. Thus, different extractors can be evaluated. However, medical images contain important internal structures that allow identifying tissues, organs, deformations and diseases. It is usual that a large number of features are extracted the images. Nevertheless, what appears to be beneficial actually impairs the process of indexing and retrieval of images, revealing problems such as the curse of dimensionality. Thus, it is necessary to select the most relevant features to make the process more efficient and effective. This dissertation developed a supervised feature selection method called FSCoMS (Feature Selection based on Compactness Measure from Scatterplots) in order to obtain a ranking of features, suitable for medical image analysis. Our method FSCoMS had generated shorter and efficient feature vectors to answer similarity queries. Additionally, the k-Gabor feature extractor was developed, which extracts features by gray levels, highlighting internal structures of medical images. The experiments performed were performed on four real world medical datasets. Results have shown that the k-Gabor boosts the retrieval performance, whereas the FSCoMS reduces the subsets redundancy to produce a more compact feature vector than the conventional feature selection methods and even with a higher performance in image retrieval
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2013-02-20
 
AVISO: O material descrito abaixo refere-se a trabalhos decorrentes desta tese ou dissertação. O conteúdo desses trabalhos é de inteira responsabilidade do autor da tese ou dissertação.
  • COSTA, Alceu Ferraz, HUMPIRE-MAMANI, Gabriel, and TRAINA, Agma Juci Machado. An Efficient Algorithm for Fractal Analysis of Textures [doi:10.1109/SIBGRAPI.2012.15]. In 2012 25th SIBGRAPI Conference on Graphics, Patterns and Images [online], Ouro Preto, Brazil, 2012. Ouro Preto, Brazil : IEEE, 2012. p. 39-46. ISBN 978-0-7695-4829-6.
  • HUMPIRE-MAMANI, Gabriel, TRAINA, Agma J. M., and TRAINA, Caetano. k-Gabor : A new feature extraction method for medical images providing internal analysis [doi:10.1109/CBMS.2012.6266370]. In 2012 25th IEEE International Symposium on Computer-Based Medical Systems (CBMS) [online], 25, Rome, Italy, 2012. Rome, Italy : IEEE, 2012. p. 1-6. ISBN 978-1-4673-2050-4.
  • HUMPIRE-MAMANI, Gabriel, TRAINA, Agma Juci Machado, and TRAINA, Caetano. FSCoMS : Feature Selection of Medical Images Based on Compactness Measure from Scatterplots [doi:10.1109/HISB.2012.29]. In 2012 IEEE Second International Conference on Healthcare Informatics, Imaging and Systems Biology [online], La Jolla, CA, USA, 2012. La Jolla, CA, USA : IEEE, 2012. p. 86-95. ISBN 978-0-7695-4921-7.
  • MAMANI, G. E. H., TRAINA JR, Caetano, and Traina, Agma J. M. k-Gabor: A New Feature Extraction Method for Medical Images Providing Internal Analysis [doi:10.1109/CBMS.2012.6266370]. In 25th IEEE International Symposium on Computer Based Medical Systems (CBMS 2012), Roma, Itália, 2012. Proceedings of the CBMS 2012.Los Alamitos : IEEE Computer Society, 2012.
  • MAMANI, G. E. H., Traina, Agma Juci Machado, and TRAINA JR, Caetano. FSCoMS: Feature Selection of Medical Images Based on Compactness Measure from Scatterplots [doi:10.1109/HISB.2012.29]. In 2nd Annual IEEE Healthcare Informatics, Imaging, and Systems Biology Conference (HISB 2012), La Joia, California, 2012. Proceedings of HISB2012.Los Alamitos : IEEE Computer Society, 2012.
  • COSTA, Alceu Ferraz, MAMANI, G. E. H., and Traina, Agma Juci Machado. An Efficient Algorithm for Fractal Analysis of Textures [doi:10.1109/SIBGRAPI.2012.15]. In 25th Conference on Graphics, Patterns and Images (SIBGRAPI 2012), Ouro Preto, 2012. Anais do SIBGRAPI 2012.Los Alamitos : IEEE Computer Society, 2012.
Todos os direitos da tese/dissertação são de seus autores
Centro de Informática de São Carlos
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2019. Todos os direitos reservados.