Exportar este item: EndNote BibTex

Use este identificador para citar ou linkar para este item: https://tedebc.ufma.br/jspui/handle/tede/tede/431
Registro completo de metadados
Campo DCValorIdioma
dc.creatorNetto, Stelmo Magalhães Barrospt_BR
dc.contributor.advisor1SILVA, Aristófanes Corrêapt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/2446301582459104por
dc.date.accessioned2016-08-17T14:53:07Z-
dc.date.available2010-03-31pt_BR
dc.date.issued2010-02-10pt_BR
dc.identifier.citationNETTO, Stelmo Magalhães Barros. AUTOMATIC SEGMENTATION OF PULMONARY NODULES WITH GROWING NEURAL GAS VECTOR MACHINE AND SUPPORT. 2010. 90 f. Dissertação (Mestrado em Engenharia) - Universidade Federal do Maranhão, São Luis, 2010.por
dc.identifier.urihttp://tedebc.ufma.br:8080/jspui/handle/tede/431-
dc.description.resumoO câncer de pulmão ainda é um dos mais incidentes em todo mundo. Seu diagnóstico é de difícil realização, devido as suas características morfológicas iniciais não estarem bem definidas e também por causa da sua localização em relação ao pulmão. É geralmente detectado tardiamente, que tem como conseqüência uma alta taxa de letalidade. Diante destas dificuldades muitas pesquisas são realizadas, tanto em relação a sua detecção, quanto a seu diagnóstico. O objetivo deste trabalho é propor uma metodologia de detecção automática do nódulo pulmonar com o auxílio do computador. O ganho com o desenvolvimento desta metodologia, é que sua implementação auxiliará ao médico na detecção simultânea dos diversos nódulos presentes nas imagens de tomografia computadorizada. A metodologia de detecção de nódulos pulmonares desenvolvida envolve a utilização de um método da aprendizagem competitiva, chamado de Growing Neural Gas (GNG). A metodologia ainda consiste na redução do volume de interesse, através de técnicas amplamente utilizadas na extração do tórax, extração do pulmão e reconstrução. A etapa seguinte é a aplicação do GNG no volume de interesse resultante, que em conjunto com a separação do nódulo das diversas estruturas presentes formam a etapa de segmentação, e por fim, é realizada a classificação das estruturas em nódulo e não-nódulo, por meio das medidas de geometria e textura. A metodologia garante que nódulos com tamanho razoável sejam encontrados com sensibilidade de 86%, especificidade de 91%, que resulta em uma acurácia de 91%, em média, para dez experimentos de treino e teste, em uma amostra de 48 nódulos ocorridos em 29 exames. A taxa de falsos positivos por exame foi de 0,138, para os 29 exames analisados.por
dc.description.abstractLung cancer is still one of the most frequent types throughout the world. Its diagnosis is very difficult because its initial morphological characteristics are not well defined, and also because of its location in relation to the lung. It is usually detected late, fact that causes a large lethality rate. Facing these difficulties, many researches are done, concerning both detection and diagnosis. The objective of this work is to propose a methodology for computer-aided automatic lung nodule detection. The return of the development of such methodology is that its application will aid the doctor in the simultaneous detection of several nodules present in computerized tomography images. The methodology developed for automatic detection of lung nodules involves the use of a method of competitive learning, called Growing Neural Gas (GNG). The methodology still consists in the reduction of the volume of interest, by the use of techniques largely used in thorax extraction, lung extraction and reconstruction. The next stage is the application of the GNG in the resulting volume of interest, that together with the separation of the nodules from the various structures present in the lung form the segmentation stage, and, finally, through texture and geometry measurements, the classification as either nodule or non-nodule is performed. The methodology guarantees that nodules of reasonable size are found with sensibility of 86%, specificity of 91%, what results in accuracy of 91%, in average, for ten training and test experiments, in a sample of 48 nodules occurring in 29 exams. The false-positive per exam rate was of 0.138, for the 29 analyzed exams.eng
dc.description.provenanceMade available in DSpace on 2016-08-17T14:53:07Z (GMT). No. of bitstreams: 1 Stelmo Magalhaes Barros Netto.pdf: 2768924 bytes, checksum: bf6f24780a03adb4f2940b818c95f293 (MD5) Previous issue date: 2010-02-10eng
dc.description.sponsorshipConselho Nacional de Desenvolvimento Científico e Tecnológicopt_BR
dc.formatapplication/pdfpor
dc.languageporpor
dc.publisherUniversidade Federal do Maranhãopor
dc.publisher.departmentEngenhariapor
dc.publisher.countryBRpor
dc.publisher.initialsUFMApor
dc.publisher.programPROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE/CCETpor
dc.rightsAcesso Abertopor
dc.subjectDetecção auxiliada por computador (CAD)por
dc.subjectNódulo pulmonarpor
dc.subjectGrowing Neural Gas (GNG)por
dc.subjectTomografia computadorizadapor
dc.subjectComputer-aided detection (CAD)eng
dc.subjectLung noduleeng
dc.subjectGrowing Neural Gas (GNG)eng
dc.subjectComputerized tomographyeng
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO::MODELOS ANALITICOS E DE SIMULACAOpor
dc.titleSEGMENTAÇÃO AUTOMÁTICA DE NÓDULOS PULMONARES COM GROWING NEURAL GAS E MÁQUINA DE VETORES DE SUPORTEpor
dc.title.alternativeAUTOMATIC SEGMENTATION OF PULMONARY NODULES WITH GROWING NEURAL GAS VECTOR MACHINE AND SUPPORTeng
dc.typeDissertaçãopor
Aparece nas coleções:DISSERTAÇÃO DE MESTRADO - PROGRAMA DE PÓS GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE

Arquivos associados a este item:
Arquivo TamanhoFormato 
Stelmo Magalhaes Barros Netto.pdf2,7 MBAdobe PDFBaixar/Abrir Pré-Visualizar


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.