• 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
 
 
Doctoral Thesis
DOI
10.11606/T.55.2013.tde-10032014-161433
Document
Author
Full name
Carolina Yukari Veludo Watanabe
E-mail
Institute/School/College
Knowledge Area
Date of Defense
Published
São Carlos, 2013
Supervisor
Committee
Traina, Agma Juci Machado (President)
Bruno, Odemir Martinez
Gonzaga, Adilson
Gutierrez, Marco Antonio
Santos, Antonio Carlos dos
Title in Portuguese
Métodos de apoio ao diagnóstico médico por imagens usando regras de associação e redes complexas
Keywords in Portuguese
Classificador associativo
Extração de características
Mineração de imagens
Redes complexas
Sistemas de auxílio ao diagnóstico
Abstract in Portuguese
Com o desenvolvimento e barateamento dos equipamentos de aquisição de imagens, principalmente na área médica, tem sido geradas muitas imagens, as quais devem ser analisadas pelos especialistas. Esta tarefa pode ser muitas vezes cansativa e demorada, levando a possíveis erros no diagnóstico, pois a leitura das imagens depende da experiência e do estado físico e emocional do médico. Assim, sistemas de auxílio ao diagnóstico por computador (Computer-aided diagnosis - CAD) têm se tornado grandes aliados no processo de diagnóstico, realizando uma segunda leitura da imagem, servindo como uma segunda opinião ao especialista. Por isso, é necessário o desenvolvimento de técnicas de mineração de imagens para o aumento da precisão e da velocidade da análise das imagens. Assim, o objetivo deste trabalho foi desenvolver métodos de representação de imagens e de classificação associativa para aumentar a precisão da classificação de sistemas de auxílio ao diagnóstico médico por imagens. Para a representação de imagens foram desenvolvidas técnicas para reduzir a lacuna que há entre a representação numérica das imagens e seu significado semântico, a qual é chamada de `gap semântico'. Para isso, foi usada a teoria das redes complexas para modelar as imagens em redes livres de escala, e os descritores das imagens foram compostos pelas medidas topológicas extraídas rede modelada. Os vetores de características gerados foram bem compactos, o que possibilitou também evitar o problema da `maldição da alta dimensionalidade'. Para a classificação, foi desenvolvido o classificador associativo SACMiner, por meio do uso de regras de associação estatísticas, o qual evita a fase de discretização de dados, lidando diretamente com dados contínuos. Este foi um passo importante, já que a discretização pode causar a perda de informações e gerar inconsistência na base de dados. Além do SACMiner, foi desenvolvido o classificador MinSAR, o qual, além de não demandar a fase de discretização, também evita que o usuário tenha que fornecer parâmetros de entrada ao algoritmo responsável por gerar as regras. As técnicas até aqui listadas foram aplicadas em um sistema de auxílio ao diagnóstico de mama e comparadas com técnicas descritas na literatura, e os resultados mostram que as técnicas aqui propostas sobrepujaram as atuais da literatura. E por fim, foram sugeridas novas medidas para caracterizar imagens de pacientes com epilepsia no lobo temporal mesial, por meio do uso de medidas de espessura cortical, as quais melhoraram a precisão do sistema para este tipo de diagnóstico
Title in English
Methods for image-aided medical diagnosis using association rule mining and complex networks
Keywords in English
Associative classifier
CAD systems
Complex networks
Feature extraction
Image mining
Abstract in English
The complexity of medical images and the high volume of exams per radiologist in a screening program can lead to a scenario prone to mistakes. Hence, it is important to inforce double reading and effective analysis, but those are costly measures. The computer-aided diagnosis (CAD) technology offers an alternative to double reading, because it can provide a computer output as a `second opinion' to assist radiologists in interpreting images. Using this technology, the accuracy and consistency of radiological diagnoses can be improved, and also the image reading time can be reduced. Therefore, the need of classification and image representation methods and to speed-up and to assist the radiologists in the image analysis task has been increased. These methods must be more accurate and demand low computational cost, in order to provide a timely answer to the physician. The aim of this thesis was to developed image representation and associative classifiers methods to improve the classification of computer-aided diagnosis systems. Considering the image representation, in this work, we present some approaches to reduce the gap between the numeric representation of the images and their semantic, which is called `semantic gap'. For this, we used the complex network theory to produce an image model based on scale-free networks. The image descriptors were composed of topological measures of the modeled network. The feature vectors produced were quite compact, which also allowed to avoid the problem called as `curse of dimensionality'. Considering the classification task, we proposed the SACMiner classifier, which uses statistical association rules in order to avoid the discretization step when working with continuous attributes. It is important because the discretization step can disturb the dataset and cause lost of information. We also proposed de MinSAR classifier, which mines the rules not requiring a discretization step neither input thresholds, as most of the other association rules methods do. These approaches were applied in a breast cancer computer-aided diagnosis system. And finally, we developed an automatic technique which can aid in distinguishing between controls and patients with mesial temporal lobe epilepsy, based on cortical thickness, and potentially identifying abnormalities in tissue integrity in cases where atrophy cannot be visualized
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
Publishing Date
2014-03-11
 
WARNING: The material described below relates to works resulting from this thesis or dissertation. The contents of these works are the author's responsibility.
  • RIBEIRO, Marcela Xavier, et al. Apoiando a Busca por Conteúdo em Imagens Médicas através da Mineração de Regras de Associação Estatísticas. In II Workshop em Algoritmos e Aplicações de Mineração de Dados, Florianópolis, 2006. Anais do II WAAMD.Porto Alegre : Sociedade Brasileira de Computação, 2006.
  • WATANABE, CAROLINA Y. V., et al. A Statistical Associative Classifier with Automatic Estimation of Parameters on Computer Aided Diagnosis [doi:10.1109/ICMLA.2012.103]. In 2012 Eleventh International Conference on Machine Learning and Applications (ICMLA), Boca Raton. 2012 11th International Conference on Machine Learning and Applications. : IEEE, 2012.
  • WATANABE, Carolina Yukari Veludo, et al. Automatically Detecting Temporal Lobe Epilepsy Using Cortical Thickness Measures. In XXIII Congresso Brasileiro de Engenharia Biomédica (CBEB 2012), Porto de Galinhas, 2012. Anais do CBEB 2012.São Paulo : Sociedade Brasileira de Engenharia Biomédica, 2012.
  • WATANABE, Carolina Yukari Veludo, Traina, Agma Juci Machado, and TRAINA JR, Caetano. A CAD System Based on Complex Networks Theory to Characterize Mass in Mammograms [doi:10.1117/12.911609]. In 2012 SPIE Medical Imaging Computer-Aided Diagnosis Conference, San Diego, 2012. Proceedings of the SPIE Medical Imaging.New York : SPIE, 2012.
  • WATANABE, Carolina Yukari Veludo, et al. Statistical Associative Classification of Mammograms: The SACMiner Method [doi:10.1007/978-3-642-19802-1_18]. In 12th International Conference on Enterprise Information Systems (ICEIS 2010), Funchal, 2010. Proceedings of the ICEIS 2010.Lisboa : Primoris, 2010.
  • TRAINA, A. J. M., et al. Feature Extraction and Selection for Decision Making over Medical Images. In Thomas Deserno. Biomedical Image Processing - Methods and Applications [online]. Organizador. Berlin : Springer-Verlag, 2011{Volume}. chap. 1, p. 197-223.http://www.teses.usp.br/teses/disponiveis/55/55134/tde-10032014-161433/
All rights of the thesis/dissertation are from the authors
Centro de Informática de São Carlos
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2020. All rights reserved.