Impacto da seleção de atributos no agrupamento de imagens de fraturas vertebrais por compressão

• Ano de defesa: 2020
• Autor(a) principal: Candido, Raquel Mariana
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Agrupamento; Clustering; Feature selection; Fraturas vertebrais por compressão; Seleção de atributos; Vertebral compression fractures
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/59/59143/tde-12022021-140116/

A etiologia das Fraturas Vertebrais por Compressão (FVCs) não secundárias a traumas precisa ser investigada, pois as queixas clínicas para FVC benigna (osteoporose) e FVC maligna (câncer metastático) tendem a ser similares. Ao contrário da clusterização, métodos de auxílio ao diagnóstico baseados na classificação de FVCs têm sido propostos. O agrupamento é importante, pois os grupos criados por similaridade entre os corpos vertebrais podem contribuir no entendimento dos resultados da classificação, ajudar na compreensão das dificuldades em diferenciar as imagens e possuir relevância quando analisados por um especialista. A similaridade entre os objetos é definida a partir de seus atributos, porém nem todos são necessariamente relevantes para a caracterização do corpo vertebral, podendo, inclusive, atrapalhar um bom agrupamento. Uma possível solução para tal problema é reduzir a dimensionalidade de características através da seleção de atributos, que exclui os atributos tidos como irrelevantes para a caracterização dos dados. Neste mestrado, foi investigado o impacto no agrupamento de descritores de imagens de ressonância magnética de corpos vertebrais de pacientes com fraturas vertebrais por compressão quando há seleção de atributos pela técnica wrapper com algoritmos genéticos e redes neurais artificiais como técnica de busca e classificadores, respectivamente.