A comparative study on the influence of k-centroids on the image segmentation process in DT-MRI

Autor: Campos, Alan Santos
Přispěvatelé: Greg?rio, Ronaldo Malheiros, Cruz, Marcelo Dib, Vera-Tudela, Carlos Andres Reyna, Quiroz, Erik Alex Papa
Jazyk: portugalština
Rok vydání: 2022
Předmět:
Zdroj: Biblioteca Digital de Teses e Dissertações da UFRRJ
Universidade Federal Rural do Rio de Janeiro (UFRRJ)
instacron:UFRRJ
Popis: Submitted by Jorge Silva (jorgelmsilva@ufrrj.br) on 2022-07-01T19:23:58Z No. of bitstreams: 1 2022 - Alan Santos Campos.pdf Made available in DSpace on 2022-07-01T19:23:58Z (GMT). No. of bitstreams: 1 2022 - Alan Santos Campos.pdf CAPES - Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior Diffusion tensor magnetic resonance imaging (DT-MRI) is a non-invasive and effective technique for detecting tumors or anomalies in living tissues. In DT-RMI, machine learning algorithms such as K -Means can be used in processes like image segmentation. The K -Means algorithm originally uses centers of mass defined under a Euclidean setting. The objective is to identify similar elements to group them in classes belonging to the same region of the image. On the other hand, the existence and uniqueness of minimizing geodesic segments, as well as closed expressions for computing distances between two arbitrary points in some Riemannian spaces, as it happens in the manifold of symmetric positive definite matrices, enable the well-posedness of centers of mass under a non-Euclidean setting. Therefore, images in DT-RMI, whose pixels, in the two-dimensional case, or voxels, in the three-dimensional one, are respectively represented by symmetric positive definite matrices of order 2 and 3, can be treated as well from a non-Euclidean setting, which uses the natural geometry of this manifold. In this work, we developed a comparative study on the influence of some centers of mass, defined both from a Euclidean and Riemannian setting, in the image segmentation process using the K -Means algorithm.. A difus?o tensorial de imagens por resson?ncia magn?tica (DTI-RM) ? uma t?cnica n?o invasiva e eficaz na detec??o de tumores ou anomalias em seres vivos. Em DTI-RM, podemos utilizar algoritmos de aprendizado de m?quina, como por exemplo o K -Means, em processos como a segmenta??o de imagens. O algoritmo K -Means, originalmente utiliza centr?ides defi-nidos sob uma perspectiva euclidiana. Seu objetivo ? a identifica??o de elementos semelhantes para agrup?-los em classes pertencentes a uma mesma regi?o da imagem. Por outro lado, a exist?ncia e unicidade de segmentos geod?sicos minimizantes, assim como express?es fecha-das para o c?lculo de dist?ncias entre dois pontos arbitr?rios em alguns espa?os riemannianos, como ? o caso da variedade das matrizes sim?tricas definidas positivas, viabilizam a boa defini-??o de centr?ides sob uma perspectiva n?o-euclidiana. Assim sendo, as imagens em DTI-RM, cujos pixels, no caso bidimensional, ou voxels, no caso tridimensional, s?o respectivamente re-presentados por matrizes sim?tricas definidas positivas de ordem 2 e 3, e podem ser tratadas tamb?m sob uma perspectiva n?o-euclidiana, que utiliza a geometria natural desta variedade. Neste trabalho, desenvolvemos um estudo comparativo sobre a influ?ncia de alguns centr?ides, definidos tanto sob uma perspectiva euclidiana quanto riemanniana, no processo de segmenta-??o de imagens por meio do algoritmo K -Means.
Databáze: OpenAIRE
Externí odkaz: