A etiologia das Fraturas Vertebrais por Compressão (FVCs) não secundárias a traumas precisa ser investigada, pois as queixas clínicas para FVC benigna (osteoporose) e FVC maligna (câncer metastático) tendem a ser similares. Ao contrário da clusterização, métodos de auxílio ao diagnóstico baseados na classificação de FVCs têm sido propostos. O agrupamento é importante, pois os grupos criados por similaridade entre os corpos vertebrais podem contribuir no entendimento dos resultados da classificação, ajudar na compreensão das dificuldades em diferenciar as imagens e possuir relevância quando analisados por um especialista. A similaridade entre os objetos é definida a partir de seus atributos, porém nem todos são necessariamente relevantes para a caracterização do corpo vertebral, podendo, inclusive, atrapalhar um bom agrupamento. Uma possível solução para tal problema é reduzir a dimensionalidade de características através da seleção de atributos, que exclui os atributos tidos como irrelevantes para a caracterização dos dados. Neste mestrado, foi investigado o impacto no agrupamento de descritores de imagens de ressonância magnética de corpos vertebrais de pacientes com fraturas vertebrais por compressão quando há seleção de atributos pela técnica wrapper com algoritmos genéticos e redes neurais artificiais como técnica de busca e classificadores, respectivamente.

The etiology of Vertebral Compression Fractures (VCFs) not secondary to trauma needs to be investigated, as the clinical complaints for benign VCF (osteoporosis) and malignant VCF (metastatic cancer) are similar. In contrast to clustering, diagnostic aid methods based on the classification of VCFs have been proposed. Clustering is important, because the groups created by similarity between the vertebral bodies can contribute to the understanding of the classification results, help the understanding of images differentiating difficulties and have relevance when analyzed by a specialist. The similarity between the objects is based on their attributes, but not all of them are necessarily relevant to the characterization of the vertebral body, and can even interfere a good grouping. A possible solution to this problem is to reduce the dimensionality of characteristics through the feature selection, which excludes irrelevant attributes for data characterization. This work investigated the impact on the clustering of magnetic resonance image descriptors of vertebral bodies of patients with vertebral compression fractures when feature selection using the wrapper technique with genetic algorithms and artificial neural networks as a search technique and classifiers, respectively, are applied.