Utilize este identificador para referenciar este registo:
https://hdl.handle.net/1822/76137
Título: | Deteção 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-chave: | Aprendizagem 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 |
Data: | 7-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. |
Tipo: | Tese de doutoramento |
Descrição: | Tese de Doutoramento em Engenharia Biomédica |
URI: | https://hdl.handle.net/1822/76137 |
Acesso: | Acesso aberto |
Aparece nas coleções: | CMEMS - Teses de doutoramento/PhD theses |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Verissimo Manuel Brandao Lima Santos.pdf | Tese de Doutoramento | 5,32 MB | Adobe PDF | Ver/Abrir |
Este trabalho está licenciado sob uma Licença Creative Commons