Classificação de bifurcações em imagens de tomografia de coerência óptica intravascular utilizando redes neurais e máquinas de vetores de suporte

• Ano de defesa: 2017
• Autor(a) principal: Porto, Carmina Dessana Nascimento
• Outros Autores: http://lattes.cnpq.br/1290147905465560
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Amazonas; Faculdade de Tecnologia; Brasil; UFAM; Programa de Pós-graduação em Engenharia Elétrica
• Palavras-chave em Português: Doenças cardiovasculares; Tomografia por coerência óptica; Redes neurais; Máquinas de vetores de suporte; Classificação coronária; ENGENHARIAS: ENGENHARIA ELÉTRICA
• Link de acesso: http://tede.ufam.edu.br/handle/tede/5833

Estudos em tomografia de coerência óptica intravascular (IV-OCT) tem demonstrado a importância das regiões de bifurcação coronária na análise de imagens médicas intravasculares, uma vez que está região é mais propensa ao acúmulo de placas, o que pode levar a doença coronariana. Um exame IV-OCT comum adquire centenas de imagens, portanto, uma ferramenta automatizada para classificar as imagens como pertencentes ou não a região de bifurcações pode ser um passo importante para acelerar a análise de imagens IV-OCT e auxiliar métodos automatizados para a quantificação de placas ateroscleróticas. Neste trabalho, avaliamos o desempenho de dois classificadores, SVM e Redes Neurais, na tarefa de classificação de identificação de bifurcações em imagens IV-OCT. O estudo incluiu imagens IV-OCT de 9 pacientes. Para melhorar o desempenho da classificação, treinamos e testamos o SVM com diferentes parâmetros por meio de uma pesquisa de grade e diferentes critérios de parada foram aplicados ao classificador de Rede Neural: erro quadrático médio, parada precoce e regularização. Foram testados diferentes conjuntos de características, utilizando técnicas de seleção de características: PCA, LDA e seleção de características escalares com correlação. Treinamento e teste foram realizados em conjuntos com um máximo de 1460 imagens. Quantificamos nossos resultados em termos de taxa de falsos positivos, taxas de verdadeiro positivo, acurácia, especificidade, precisão, taxa de falsos alarmes, f-measure e área sob curva ROC. As redes neurais obtiveram a melhor precisão de classificação, 98,83%, superando os resultados encontrados na literatura. Nossos métodos parecem oferecer uma classificação robusta e confiável automatizada de imagens IV-OCT que podem ajudar médicos indicando potenciais imagens a serem analisadas. Métodos para melhorar a generalização das redes neurais aumentaram o desempenho da classificação.