• 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
 
 
Disertación de Maestría
DOI
10.11606/D.3.2005.tde-05092006-203231
Documento
Autor
Nombre completo
Leandro Augusto da Silva
Dirección Electrónica
Instituto/Escuela/Facultad
Área de Conocimiento
Fecha de Defensa
Publicación
São Paulo, 2005
Director
Tribunal
Del Moral Hernandez, Emilio (Presidente)
Bianchi, Reinaldo Augusto da Costa
Lopes, Roseli de Deus
Título en portugués
Classificação de nódulos mamográficos utilizando um comitê de redes neurais artificiais.
Palabras clave en portugués
Diagnóstico por imagens
Mamografia
Neoplasias mamárias
Processamento de imagens
Reconhecimento de padrões
Redes neurais
Resumen en portugués
Este trabalho apresenta uma nova estratégia computacional para classificar nódulos mamográficos, que podem ser identificados por radiologistas nos exames de mamografia, em benignos ou malignos. Para a realização dos experimentos computacionais, foram utilizados 57 regiões suspeitas de câncer (ROIs) encontrados pelo radiologista nos exames de mamografia. Das 57 ROIs, 37 foram identificadas como nódulos benignos e 20 identificadas como nódulos malignos, após o exame de biópsia. Com base nestas 57 ROIs são aplicadas técnicas de processamento de imagens para extrair determinadas características que possibilitam classificar um nódulo como benigno ou maligno. Estas características são separadas em três conjuntos: três características de forma, quatorze características de textura e três características de nitidez da borda. A estratégia computacional usada para classificar esses três conjuntos de características foi o classificador Máquina de Comitê. A Máquina de Comitê é formado por um grupo de classificadores, usados para resolver uma tarefa difícil. Os membros do comitê são tipicamente Redes Neurais Artificiais. Nesse trabalho foram usados Perceptrons de Múltiplas Camadas (MLP) como classificador da Máquina de Comitê. O resultado da classificação é dado pela combinação das respostas de cada classificador. Experimento envolvendo alteração na configuração da Máquina de Comitê também foi realizado. A precisão da classificação foi avaliada utilizando o cálculo da área sob a curva Receiver Operating Characteristics (ROC), designada por Az. O resultado de Az apresentado pela Máquina de Comitê é comparado com o resultado de outros classificadores neurais, como MLPs e Perceptrons de Camada Simples (SLP). Os resultados são apresentados pela média e desvio padrão de 20 experimentos. Para concluir se o resultado apresentado por um classificador é melhor que o outro, foram realizados testes de hipóteses utilizando a distribuição de Student t.
Título en inglés
Classification of breast masses using a committee of artificial neural network .
Palabras clave en inglés
Breast masses
Image processing
Mammography
Neural network
Pattern recognition
Resumen en inglés
This work addresses a new approach using a committee machine to classify masses found in mammograms as benign or malignant. The characteristics sets used in the classification are: Three shape factors, three measures of edge sharpness, and fourteen texture features. They were used for the classification of 37 regions of interest (ROIs) related to benign masses and 20 ROIs of malignant tumors. The committee machine is a group of classifiers used to resolve a difficult task. Committee members are typically neural networks. In this work, we used a group of multi-layer perceptrons (MLPs) as a committee machine classifier. The classification results were realized by combining the responses of these classifiers. Experiments involving change in the learning algorithm of the committee machine also were conducted. The classification accuracy was evaluated using the area Az under the receiver operating characteristics (ROC) curve. The Az result for the committee machine was compared with the Az results obtained using MLP and single-layer perceptron (SLP) neural networks. In almost all cases, the committee machine outperformed the MLP and SLP. For a better understanding about the results of the experiments we carried out the hypothesis test using the Student's t-Distribution and it showed that the Committee Machine classifier has better results than MLP and SLP classifiers.
 
ADVERTENCIA - La consulta de este documento queda condicionada a la aceptación de las siguientes condiciones de uso:
Este documento es únicamente para usos privados enmarcados en actividades de investigación y docencia. No se autoriza su reproducción con finalidades de lucro. Esta reserva de derechos afecta tanto los datos del documento como a sus contenidos. En la utilización o cita de partes del documento es obligado indicar el nombre de la persona autora.
Fecha de Publicación
2007-10-02
 
ADVERTENCIA: Aprenda que son los trabajos derivados haciendo clic aquí.
Todos los derechos de la tesis/disertación pertenecen a los autores
Centro de Informática de São Carlos
Biblioteca Digital de Tesis y Disertaciones de la USP. Copyright © 2001-2020. Todos los derechos reservados.