English

CIn - Centro de Informática UFPE




Eventos Relacionados

Defesa de Tese de Doutorado Nº 356: "Máquinas Morfológicas de Aprendizado Extremo Aplicadas à Detecção e Classificação de Lesões em Mamografias"

O aluno Washington Wagner Azevedo da Silva irá defender sua pesquisa no dia 15 de março, às 9h, na sala A014 Início: 15/03/2017 às 09:00 Término: 15/03/2017 às 00:00 Local: Sala A014

Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 356

Aluno: Washington Wagner Azevedo da Silva
Orientador: Prof. Abel Guilhermino da Silva Filho
Co-orientador: Prof.  Wellington Pinheiro dos Santos  (Eng. Biomédica/UFPE)
Título: Máquinas Morfológicas de Aprendizado Extremo Aplicadas à Detecção e Classificação de Lesões em Mamografias
Data: 15/03/2017
Hora/Local: 9h – Centro de Informática -  Sala A014
Banca Examinadora:
Prof. Ricardo Bastos Cavalcante Prudencio (UFPE / Departamento de Ciência da Computação)
Prof. Sérgio Ricardo de Melo Queiroz (UFPE / Departamento de Ciência da Computação)

Prof. Leandro Maciel Almeida  (UFPE / Departamento de Ciência da Computação)
Prof. Filipe Rolim Cordeiro (UFRPE / Departamento de Estatística e Informática)
Prof. Herman Martins Gomes (UFCG / Departamento de Sistemas e Computação)

RESUMO:

De acordo com a Organização Mundial de Saúde, o câncer de mama é a forma mais comum de câncer entre as mulheres no mundo todo, sendo um dos tipos de câncer mais fatal. Estudos mostram que a disponibilização de diagnóstico precoce pode contribuir para a redução das taxas de mortalidade e aumentar as opções de tratamento. O uso do diagnóstico assistido por computador é importante para evitar erros de diagnóstico. Morfologia Matemática é uma teoria de processamento não linear amplamente utilizada no processamento de imagens digitais. É baseada na teoria matemática da intersecção e união de conjuntos. Máquinas de Aprendizado Extremo (Extreme Learning Machines, ELMs) são máquinas de aprendizado compostas por pelo menos uma camada escondida, com nodos com kernels configuráveis e pesos aleatórios, e uma camada de saída, composta por nodos com kernels lineares cujos pesos são ajustados de forma não iterativa, por meio da pseudoinversa de Moore-Penrose. Neste trabalho são propostas as Máquinas Morfológicas de Aprendizado Extremo (Morphological Extreme Learning Machines, mELMs), ou seja, ELMs com neurônios na camada escondida baseados nos operadores morfológicos não lineares básicos de erosão e dilatação. O método proposto foi avaliado uilizando 2.796 imagens da base de imagens de mamografia IRMA, tendo-se verificado que as mELMs de erosão e de dilatação, no que concerne à acurácia e ao índice kappa, possuem desempenho de classificação equivalente ou levemente superior às ELMs com kernels RBF e sigmoide para a maioria das configurações, para cada tipo de tecido mamário (adiposo, denso, muito denso e fibroglandular), e também para todos os tecidos mamários juntos. Os atributos foram extraídos usando momentos de Haralick, Zernike e wavelets. Para verificar a capacidade das mELMs na solução de problemas gerais de classificação, foram investigadas dez bases de dados arbitrárias da UCI Machine Learning: Diabetes, Breast Cancer, Heart-statlog, Ionosphere, Iris, Glass, Segment, Vehicle, Waveform-5000 e Wine, mostrando comportamento similar.

Palavras-chave: Câncer de mama, Mamografia digital, Extreme Learning Machines (ELM), Morfologia Matemática, Máquinas Morfológicas de Aprendizado Extremo (mELM).
  • © Centro de Informática UFPE - Todos os direitos reservados
    Tel +55 81 2126.8430 - Cidade Universitária - 50740-560 - Recife/PE
Plano4 Consultoria Web