Utilize este identificador para referenciar este registo: https://hdl.handle.net/1822/76137

TítuloDeteção automática de lesões no intestino delgado por análise de imagens obtidas por cápsula endoscópica
Outro(s) título(s)Small bowel injuries detection by automatic analysis of wireless endoscopic capsule images
Autor(es)Santos, Veríssimo Manuel Brandão Lima
Orientador(es)Lima, C. S.
Palavras-chaveAprendizagem incremental
classificadores por ensemble
diagnóstico auxiliado por computador
mistura de especialistas
redes neuronais convolucionais
Computer aided diagnostics
convolutional neural networks
ensemble classifiers
incremental learning
mixture of experts
Data7-Mai-2020
Resumo(s)Nas últimas duas décadas foram propostas numerosas metodologias de deteção automática de lesões por análise de imagens obtidas por cápsula endoscópica, com vista à automatização do moroso processo de revisão das imagens, utilizando uma grande variedade de pré-processamentos e classificadores. Um contributo significativo para aumentar a eficácia na deteção de lesões poderá ser obtido pelo uso de classificadores de elevado desempenho. Os conjuntos de dados obtidos em endoscopia por cápsula frequentemente apresentam distribuições multimodais, que tornam as fronteiras de classificação complexas e com características diversas. Por este motivo foi definida a hipótese de que a utilização de um classificador por ensemble decompondo o problema em subproblemas mais pequenos e simples conduziria porventura aos melhores resultados. Foram analisados os ensembles existentes, identificada a razão pela qual perdem desempenho em modo de aprendizagem incremental e proposta uma nova estrutura de ensemble adequada a funcionar neste modo de adaptação. Através de resultados experimentais foi verificada a eficiência do método proposto e observada a vantagem em utilizar aprendizagem incremental, embora neste último caso a limitação imposta pela base de dados utilizada, não tenha permitido obter diferenças mais significativas que no entanto se observam nas mais diversas áreas da engenharia como por exemplo no reconhecimento automático da fala.
Over the past two decades, numerous methodologies for automatic lesion detection by endoscopic capsule image analysis have been proposed to automate the cumbersome image reviewing process using a wide variety of preprocessing methodologies and classifiers. Increased effectiveness in lesion detection can be obtained using high-performance classifiers. Capsule endoscopy datasets often exhibit multimodal distributions with complex and diverse classification boundaries. For this reason, it was hypothesized that the use of an ensemble classifier to decompose the original problem into smaller and simpler subproblems would lead to better results. Current ensembles were analyzed, and the reason for the incremental mode performance loss identified. To overcome this limitation a new ensemble classifier more suited to this learning mode has been proposed. Experimental results showed the effectiveness of this new ensemble classifier and the benefits of incremental learning, although in the later the dataset limited the expected performance increase, that happens in many of engineering problems such as automatic speech recognition.
TipoTese de doutoramento
DescriçãoTese de Doutoramento em Engenharia Biomédica
URIhttps://hdl.handle.net/1822/76137
AcessoAcesso aberto
Aparece nas coleções:BUM - Teses de Doutoramento
CMEMS - Teses de doutoramento/PhD theses

Ficheiros deste registo:
Ficheiro Descrição TamanhoFormato 
Verissimo Manuel Brandao Lima Santos.pdfTese de Doutoramento5,32 MBAdobe PDFVer/Abrir

Este trabalho está licenciado sob uma Licença Creative Commons Creative Commons

Partilhe no FacebookPartilhe no TwitterPartilhe no DeliciousPartilhe no LinkedInPartilhe no DiggAdicionar ao Google BookmarksPartilhe no MySpacePartilhe no Orkut
Exporte no formato BibTex mendeley Exporte no formato Endnote Adicione ao seu ORCID