• 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
 
 
Mémoire de Maîtrise
DOI
https://doi.org/10.11606/D.59.2020.tde-18112020-094205
Document
Auteur
Nom complet
Éverson José de Freitas Pereira
Adresse Mail
Unité de l'USP
Domain de Connaissance
Date de Soutenance
Editeur
Ribeirão Preto, 2020
Directeur
Jury
Liang, Zhao (Président)
Breve, Fabricio Aparecido
Carneiro, Murillo Guimarães
Murta Junior, Luiz Otavio
Titre en portugais
Análise de imagens de radiografia de pacientes com COVID-19 utilizando técnica de classificação de alto nível baseada em redes complexas
Mots-clés en portugais
Classificação de alto nível
Classificação de dados
COVID-19
Imagem raio-X de tórax
Redes complexas
SARS-CoV-2
Resumé en portugais
Uma importante tarefa em combate à COVID-19 envolve o diagnóstico rápido e correto de pacientes, o qual não é apenas crítico para seu prognóstico, mas também pode ajudar em uma gestão mais eficiente de recursos hospitalares. Dados reais, geralmente, contêm padrões complexos, além das características físicas. Redes complexas são excelentes ferramentas para representação de dados e, por meio da utilização de métricas adequadas, é possível a caracterização de padrões de dados, pois essas possuem capacidade de capturar o relacionamento espacial, topológico e funcional entre os dados. Este trabalho tem como objetivo analisar imagens de radiografia para auxiliar diagnóstico e prognóstico de pacientes com COVID-19. Para isso, uma técnica de classificação de dados de alto nível, baseada em redes complexas, será utilizada e, através da métrica comunicabilidade, buscaremos encontrar padrão de dados e extrair características que permitam predizer a classe correta das imagens de raio-X. Resultados experimentais mostram que o método proposto consegue alta precisão de classificação para as imagens de raio-X de tórax. Neste trabalho, também foi realizado um estudo comparativo com as técnicas de classificação tradicionais. Os resultados mostram que o desempenho do método proposto é competitivo. Esperamos que o presente trabalho gere relevantes contribuições para o combate à COVID-19.
Titre en anglais
Analysis of radiographic images of patients with COVID-19 using a high-level classification technique based on complex networks
Mots-clés en anglais
Chest X-ray image
Complex networks
COVID-19
Data classification
High-level classification
SARS-CoV-2
Resumé en anglais
An important task in combating COVID-19 involves the rapid and correct diagnosis of patients, which is not only critical to their prognosis, but can also help in a more efficient management of hospital resources. Real data often contains complex patterns in addition to physical characteristics. Complex networks are excellent tools for data representation and, through the use of appropriate metrics, it is possible to characterize data patterns, as they have the capacity to capture the spatial, topological and functional relationship between the data. This work aims to analyze radiographic images to aid in the diagnosis and prognosis of patients with COVID-19. For this, a high-level data classification technique, based on complex networks, will be used and, through the communicability metric, we will seek to find data patterns and extract characteristics that allow us to predict the correct class of X-ray images. Experimental results show that the proposed method achieves high classification accuracy for chest X-ray images. In this work, a comparative study with traditional classification techniques was also carried out. The results show that the performance of the proposed method is competitive. We hope that the present work will generate relevant contributions to the fight against COVID-19.
 
AVERTISSEMENT - Regarde ce document est soumise à votre acceptation des conditions d'utilisation suivantes:
Ce document est uniquement à des fins privées pour la recherche et l'enseignement. Reproduction à des fins commerciales est interdite. Cette droits couvrent l'ensemble des données sur ce document ainsi que son contenu. Toute utilisation ou de copie de ce document, en totalité ou en partie, doit inclure le nom de l'auteur.
Date de Publication
2021-01-25
 
AVERTISSEMENT: Apprenez ce que sont des œvres dérivées cliquant ici.
Tous droits de la thèse/dissertation appartiennent aux auteurs
CeTI-SC/STI
Bibliothèque Numérique de Thèses et Mémoires de l'USP. Copyright © 2001-2021. Tous droits réservés.