Classification of colorectal cancer based on the association of multidimensional and multiresolution features

Autor: Ribeiro, Matheus Gonçalves
Přispěvatelé: Universidade Estadual Paulista (Unesp), Neves, Leandro Alves [UNESP]
Jazyk: portugalština
Rok vydání: 2018
Předmět:
Zdroj: Repositório Institucional da UNESP
Universidade Estadual Paulista (UNESP)
instacron:UNESP
Popis: Submitted by Matheus Gonçalves Ribeiro (gonca.matheus@yahoo.com.br) on 2018-08-27T21:13:51Z No. of bitstreams: 1 v19.pdf: 8260986 bytes, checksum: 2544da4a1ce68f8237a7359ebf6221e2 (MD5) Rejected by Elza Mitiko Sato null (elzasato@ibilce.unesp.br), reason: Solicitamos que realize correções na submissão seguindo as orientações abaixo: Problema 01) Na Folha de rosto e de aprovação deve constar a financiadora. Ex.: Financiadora: CAPES Problema 02) A paginação deve ser sequencial, iniciando a contagem na folha de rosto e mostrando o número a partir da introdução, a ficha catalográfica ficará após a folha de rosto e não deverá ser contada. OBS:-Estou encaminhando via e-mail o template/modelo das páginas pré-textuais para que você possa fazer as correções, sugerimos que siga este modelo pois ele contempla as normas da ABNT Lembramos que o arquivo depositado no repositório deve ser igual ao impresso, o rigor com o padrão da Universidade se deve ao fato de que o seu trabalho passará a ser visível mundialmente. Sua submissão será rejeitada para que você possa fazer as correções. Agradecemos a compreensão. on 2018-08-28T14:39:10Z (GMT) Submitted by Matheus Gonçalves Ribeiro (gonca.matheus@yahoo.com.br) on 2018-08-28T21:25:14Z No. of bitstreams: 1 v21.pdf: 8261109 bytes, checksum: 10d0f6d0c074e51cee5f0df8b48b22c7 (MD5) Approved for entry into archive by Elza Mitiko Sato null (elzasato@ibilce.unesp.br) on 2018-08-29T14:38:52Z (GMT) No. of bitstreams: 1 ribeiro_mg_me_sjrp_par.pdf: 397598 bytes, checksum: 9ea8f8f9c1c74e6ca6f7fedaf3de7c12 (MD5) Made available in DSpace on 2018-08-29T14:38:52Z (GMT). No. of bitstreams: 1 ribeiro_mg_me_sjrp_par.pdf: 397598 bytes, checksum: 9ea8f8f9c1c74e6ca6f7fedaf3de7c12 (MD5) Previous issue date: 2018-08-06 Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) Neste trabalho, um método foi proposto a partir da combinação entre técnicas fractais multiescalas e multidimensionais, transformada curvelet e descritores de Haralick para o estudo e reconhecimento de padrões do câncer colorretal nos estágios T3 e T4. Esta combinação ainda não foi explorada na literatura. O método foi baseado em uma abordagem para seleção de características e diferentes técnicas de classificação para avaliar as combinações, tais como árvore de decisão, floresta aleatória, máquina de vetores de suporte, naive bayes, k-estrela e um método polinomial. Os testes foram avaliados a partir da validação cruzada com 10-folds. A estratégia proposta permitiu realizar interpretações mais precisas ao considerar as melhores associações para separar as classes benigno e maligno de imagens histológicas colorretais. O melhor resultado foi uma taxa de AUC de 0,994, com características baseadas principalmente em lacunaridade e percolação obtidas a partir de subimagens curvelet, aplicando um classificador polinomial. O desempenho obtido com uma análise detalhada envolvendo diferentes tipos de características e classificadores são contribuições importantes para patologistas e especialistas interessados no estudo do câncer colorretal. In this study, a method is proposed that associates multidimensional fractal techniques,curvelettransformsandHaralickfeaturesforthestudyandpatternrecognition of colorectal cancer in stages T3 and T4, a combination not yet explored in the literature. The method considered a feature selection approach and different classification techniques for evaluating combinations, such as decision tree, random forest, support vector machine, naive bayes, k-star and a polynomial method. This strategy allowed formorepreciseinterpretationsregardingthebestassociationsfortheseparationinto benign and malignant classes concerning colorectal histological images. The best result was reached with features based mainly on lacunarity and percolation obtained from curvelet sub-images, using a polynomial classifier. The tests were evaluated by applying the 10-fold cross-validation and the best result was a rate of AUC = 0.994. The obtained performance with a detailed analysis involving different types of features and classifiers are important contributions both to pathologists and specialists interested in the study of colorectal cancer. 1646248
Databáze: OpenAIRE
Externí odkaz: