Aprendizado de máquina aplicado à segmentação de imagens de lesão de pele

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Seixas Junior, José Luis
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Link de acesso: https://repositorio.uel.br/handle/123456789/15419
Resumo: Resumo: O diagnóstico incorreto de doenças de pele pode resultar em complicações durante o processo de cura As imagens da pele fornecem informações importantes para a equipe médica no armazenamento e troca de informações na tentativa de prevenir que esse diagnóstico incorreto ocorra Para tal, é necessário um bom processo de segmentação A segmentação dessas imagens já está sendo usada e tem sido uma ferramenta eficaz para o reconhecimento de doenças de pele Este trabalho apresenta diferentes métodos para segmentação, como descoberta de sementes para crescimento de regiões, já que vários algoritmos de crescimento de regiões apresentam bons resultados de clusterização, porém são sensíveis a sementes, usando a energia do canal da cor em regiões, ao invés de usar o sistema de RGB separados para cada pixel Outras abordagens foram construídas com diferentes paradigmas de aprendizagem de máquina para a segmentação de imagens médicas de úlceras de pele em membros inferiores Para o aprendizado de máquina, foram usados os algoritmos de árvore de decisão, que trazem uma abordagem mais intuitíva e também, com redes neurais, que possuem desempenho adequado para problemas não lineares Os resultados foram comparados com modelo ouro obtido com a ajuda de especialistas, os resultados se mostraram adequados para a análise das características das lesões e abriram caminhos que poderão ser seguidos em trabalhos futuros, visto que, mesmo que adequados, os resultados ainda podem ser melhorados