A displasia fibrosa é uma alteração de desenvolvimento caracterizada pela substituição do osso normal por tecido conjuntivo denso e trabéculas ósseas imaturas, geralmente encontrada em adolescentes e adultos jovens. Uma alteração genética que envolve a proteína Gs-alfa parece ser a base do processo. A exata incidência e prevalência são difíceis de estabelecer, mas as lesões representam cerca de 5% a 7% dos tumores ósseos benignos. Nos ossos craniofaciais tem predileção pela maxila, podendo causar deformidade grave e assimetria, afetando igualmente ambos os sexos. Radiograficamente, pode apresentar diferentes padrões de imagem dependendo do grau de mineralização e maturação da lesão. .A avaliação da displasia fibrosa nas radiografias da região craniofacial pode ser difícil por causa das aparências variáveis e das estruturas que se sobrepõem, de modo que a tomografia computadorizada é um recurso relevante para o seu correto diagnóstico e planejamento de tratamento. O objetivo deste estudo foi caracterizar a displasia fibrosa através da análise da lacunaridade, um método multiescala para descrever padrões de dispersão espacial. Foram avaliados 10 pacientes (6 homens e 4 mulheres) comprometendo a maxila em sua grande maioria. Para a análise da lacunaridade, empregou-se cortes tomográficos axiais e coronais e, posteriormente, selecionou-se as regiões de interesse das áreas displásicas e do osso normal contralateral por meio do software MATLAB®. Após testes e análises estatísticas, concluiu-se que os cortes coronais, com ampliação de 3x do seu tamanho original, mostraram superioridade em relação aos axiais e, que a lacunaridade foi menor nas áreas da região displásica em relação ao osso normal, ou seja, a primeira apresentou uma maior homogeneidade de textura que a segunda. Mediante isso, pela técnica da validação cruzada leave-one-out é possível separar os grupos com uma alta acurácia (94,75%) concluindo-se que a lacunaridade é um método de análise de imagens contributivo na caracterização da displasia fibrosa. / Fibrous dysplasia is an alteration of development characterized by replacing normal bone for dense connective tissue and immature trabecular bones, typically found in teenagers and young adults. Genetic modification which involves alpha-Gs protein appears to be the basis of the process. The exact incidence and prevalence are difficult to be established, but injuries represent about 5% to 7% of benign bone tumors. On the craniofacial bones, the tumors have a predilection for the maxilla and often can cause severe deformity and asymmetry affecting both sexes equally. Radiographically, it may have different patterns depending on the image degree of mineralization and maturation of the lesion. The evaluation of radiographs of fibrous dysplasia in the craniofacial region can be difficult because of the different appearances and structures that overlaps, however, CT is an important resource for proper diagnosis and treatment planning. The aim of this study was to characterize the fibrous dysplasia by analyzing the lacunarity which is a multiscale method to describe patterns of spatial dispersion. We evaluated 10 patients (6 males and 4 females) and the maxillary was the most affected area. To the lacunarity analysis, we used an axial and coronal view and then were selected the regions of interest in the areas of dysplastic and contralateral normal bone by means of MATLAB® software. After tests and statistical analysis can be conclued that the coronal magnification 3x its original size showed superiority compared to thrust, and that the lacunarity was lower in the areas of dysplastic region in relation to normal bone, namely the first presented a more uniform texture than the second. Through this, the technique of cross-validation \"leave-one-out\" is possible to separate the groups with a high accuracy (94.75%) concluding that the lacunarity is a method of image analysis to characterize the contributory fibrous dysplasia.

Orientadores: Evandro Pinto da Luz de Oliveira, Gabriela Castellano / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Ciências Médicas / Made available in DSpace on 2018-08-23T10:45:24Z (GMT). No. of bitstreams: 1 Baldissin_MauricioMartins_M.pdf: 5835466 bytes, checksum: 04b04142d756e7073a038bb534379770 (MD5) Previous issue date: 2013 / Resumo: As epilepsias refratárias compreendem síndromes para as quais as terapias que empregam duas ou mais drogas antiepilépticas (DAEs), isoladamente ou em associação, não resultam no controle da frequência das crises. Portadores podem apresentar displasias corticais focais (DCFs) ou difusas e/ou alterações atróficas hipocampaise,em alguns casos, não são detectáveis por uma simples análise visual nas imagens de ressonância magnética (RM). Nesse contexto, o objetivo deste estudo foi avaliar a textura de imagens de RM em regiões de interesse (ROIs) localizadas nos hipocampos, córtex de associação límbico e córtex pré-frontal de 20 pacientes com epilepsia refratária e compará-las às mesmas áreas de um grupo de 20 sujeitos sadios. As imagens de RM desses pacientes não apresentavam alterações visualmente detectáveis. A abordagem utilizada para a estimativa de parâmetros de textura foi a matriz de coocorrência de níveis de cinza (MCO). Dos 11 parâmetros de textura calculados, sete indicaram a existência de diferenças estatisticamente significantes entre pacientes e controles. Tais achados sugerem que a técnica de análise de textura pode contribuir para os estudos das epilepsias refratárias, e possui potencial para servir de auxílio no diagnóstico destas síndromes / Abstract: Refractory epilepsies are syndromes for which the therapies that use two or more antiepileptic drugs (AEDs), in a single way or together, do not result in the control of the frequency of the crises. The patients can present diffuse or focal cortical dysplasia (FCDs) and/or hippocampus atrophic changes that, in some cases, are not detectable by a simple visual analysis of the magnetic resonace (MR) images. In this context, the objective of this study was to assess the MR images texture in regions of interest (ROIs) placed in the hippocampi, limbic association cortex and prefrontal cortex of 20 patients with refractory epilepsy, and compare them with the same areas of a group of 20 healthy individuals. The MR images of these patients did not present visually detectable changes. The approach used for estimating the texture parameters was the gray level coocurrence matrix. Out of the 11 texture parameters calculated, seven indicated the existence of statistically significant differences among patients and controls. These findings suggest that the technique of texture analysis can contribute for the study of refractory epilepsies, and has potential to serve as an aid in the diagnosis of these syndromes / Mestrado / Neurologia / Mestre em Ciências Médicas

A biodiversidade das espécies existentes no riquíssimo reino vegetal, tornam os modelos tradicionais de taxonomia uma tarefa muito complexa e morosa, na qual o processo de classificação é tradicionalmente realizado manualmente. As dificuldades presentes nesse processo implicam na existência de poucas pesquisas de classificação vegetal utilizando métodos matemáticos e computacionais. Desta forma, visando contribuir com as técnicas de taxonomia já desenvolvidas, este estudo objetiva desenvolver e testar uma metodologia computacional de identificação de espécies vegetais por meio da análise da textura foliar. Motivado pelo projeto TreeVis, este trabalho realiza uma revisão dos métodos utilizados para análise de textura em imagens digitais (foco concentrado em extração de características e classificação), investigando a aplicabilidade de métodos tradicionais como matrizes de coocorrência, técnicas estado da arte como Gabor wavelets e também de novos e promissoras técnicas de análise de textura, como a dimensão fractal volumétrica. No contexto de classificação investiga-se métodos para reconhecimento de padrões lineares com base em análise de dados multivariados, não lineares com base na teoria das Redes Neurais Artificiais e métodos simples para combinação de diferentes classificadores (comitê de máquinas). Apesar da alta similaridade entre classes e similaridade intraclasses não adequada, os resultados alcançados mostraram-se excelentes. A melhor estratégia de classificação, utilizando comitê de máquinas com descritores de Gabor wavelets/cor e dimensão fractal volumétrica/cor, obteve uma probabilidade de acerto global de 96:32% nas 40 classes estudadas. Esse resultado demonstra como os métodos computacionais de análise de imagens, em especial análise de textura, podem contribuir facilitando e agilizando a tarefa de identificação de espécies vegetais / Biodiversity of species existing in the plant kingdom make the use of traditional models of taxonomy, a process of classification traditionally performed manually, a very complex and time-consuming task. Most of difficulties in that process result from the existence of few researches on plant classification using mathematical and computational methods. In this way, to contribute with the taxonomy techniques already developed, this study aims to develop and test a computational method for identifying plant species by leaf texture analysis. Motivated by the TreeVis project, this work is a comprehensive revision of texture analysis methods used in digital images (focus concentrated in features extraction and classification). This study investigates the applicability of traditional methods such as co-occurrence matrix, state of the art techniques as Gabor wavelets, and new and promising texture analysis methods, such as volumetric fractal dimension. In classification context is investigated methods of pattern recognition based on multivariate data analysis, artificial neural networks and committee machines. Although leaf classes present high similarity between classes and not appropriate similarity intraclasses, the results obtained are excellent. The best strategy for classification, using committee machines with descriptors of Gabor wavelets/color and volumetric fractal dimension/color, yielded a high probability of success, 96:32% in 40 classes studied. This result demonstrates how computational methods of images analysis, in particular texture analysis, can contribute and make more easier and faster the task of identifying plant species

Submitted by Luciana Ferreira (lucgeral@gmail.com) on 2015-01-27T13:29:06Z No. of bitstreams: 2 license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Dissertação - Mayara Barbosa Viandelli Mundim - 2014.pdf: 2517543 bytes, checksum: 21cda41e4f3ea8fdc3e0271e14fbf1a4 (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2015-01-28T11:10:36Z (GMT) No. of bitstreams: 2 license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Dissertação - Mayara Barbosa Viandelli Mundim - 2014.pdf: 2517543 bytes, checksum: 21cda41e4f3ea8fdc3e0271e14fbf1a4 (MD5) / Made available in DSpace on 2015-01-28T11:10:36Z (GMT). No. of bitstreams: 2 license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Dissertação - Mayara Barbosa Viandelli Mundim - 2014.pdf: 2517543 bytes, checksum: 21cda41e4f3ea8fdc3e0271e14fbf1a4 (MD5) Previous issue date: 2013-08-02 / Conselho Nacional de Pesquisa e Desenvolvimento Científico e Tecnológico - CNPq / The proposal of analyzing the historical ideas of children from different cultural contexts has the aim of evaluating the reaching of theoretical references, that conducts the field of Didactics of History in Brazil and the intercultural approaches in the education of History. This research comes from a paradox lived in the classroom. In one side, the politics of ethnic and races. On the other side, the presence of Eurocentric tales in books as much as in teachers' and students' conversation. The experience in the course of Intercultural Education for Indian Teachers opened new perspectives of analyses about this question, as showed other problems that mark the conflituous relations between the indian and non-indian societies. Beyond the land questions, as are frequently showed in the media, we aim to ascertain the different ways of narrating the being in the world, so that we can think about an intercultural historical learning that treats the diversity in a more embracing way than the antiracists speeches. / A proposta de analisarmos as ideias históricas de crianças pertencentes a diferentes contextos culturais tem como principal objetivo avaliar o alcance dos referenciais teóricos, que orientam o campo da Didática da História no Brasil, e as propostas de abordagens interculturais no ensino de história. Esta pesquisa parte de um paradoxo vivenciado em sala de aula. Por um lado, as políticas públicas educacionais com as determinações legais sobre a educação para as relações etnicorraciais. Por outro, a presença de narrativas essencialmente eurocêntricas, tanto nos livros didáticos quanto nas expressões de grande parte dos estudantes e dos professores. A experiência no curso de Educação Intercultural para Professores Indígenas abriu novas perspectivas de análise acerca desta questão assim como apresentou outras problemáticas que marcam as relações conflituosas entre sociedades indígenas e não indígenas. Para além das questões territoriais, como habitualmente são representados estes conflitos na mídia, a subalternização das formas de lidar com os marcadores temporais, de elaborar e de comunicar os saberes se constituem como fatores que balizam a relação entre Estado Nacional e Territórios Indígenas. Neste sentido, nos propomos aqui a verificar diferentes formas de narrar o ser e estar no mundo, para então pensarmos uma aprendizagem histórica intercultural que reconheça/amplie os limites de nossas orientações conceituais e trate a diversidade de forma mais contundente que os atuais discursos antirracistas.

A biodiversidade das espécies existentes no riquíssimo reino vegetal, tornam os modelos tradicionais de taxonomia uma tarefa muito complexa e morosa, na qual o processo de classificação é tradicionalmente realizado manualmente. As dificuldades presentes nesse processo implicam na existência de poucas pesquisas de classificação vegetal utilizando métodos matemáticos e computacionais. Desta forma, visando contribuir com as técnicas de taxonomia já desenvolvidas, este estudo objetiva desenvolver e testar uma metodologia computacional de identificação de espécies vegetais por meio da análise da textura foliar. Motivado pelo projeto TreeVis, este trabalho realiza uma revisão dos métodos utilizados para análise de textura em imagens digitais (foco concentrado em extração de características e classificação), investigando a aplicabilidade de métodos tradicionais como matrizes de coocorrência, técnicas estado da arte como Gabor wavelets e também de novos e promissoras técnicas de análise de textura, como a dimensão fractal volumétrica. No contexto de classificação investiga-se métodos para reconhecimento de padrões lineares com base em análise de dados multivariados, não lineares com base na teoria das Redes Neurais Artificiais e métodos simples para combinação de diferentes classificadores (comitê de máquinas). Apesar da alta similaridade entre classes e similaridade intraclasses não adequada, os resultados alcançados mostraram-se excelentes. A melhor estratégia de classificação, utilizando comitê de máquinas com descritores de Gabor wavelets/cor e dimensão fractal volumétrica/cor, obteve uma probabilidade de acerto global de 96:32% nas 40 classes estudadas. Esse resultado demonstra como os métodos computacionais de análise de imagens, em especial análise de textura, podem contribuir facilitando e agilizando a tarefa de identificação de espécies vegetais / Biodiversity of species existing in the plant kingdom make the use of traditional models of taxonomy, a process of classification traditionally performed manually, a very complex and time-consuming task. Most of difficulties in that process result from the existence of few researches on plant classification using mathematical and computational methods. In this way, to contribute with the taxonomy techniques already developed, this study aims to develop and test a computational method for identifying plant species by leaf texture analysis. Motivated by the TreeVis project, this work is a comprehensive revision of texture analysis methods used in digital images (focus concentrated in features extraction and classification). This study investigates the applicability of traditional methods such as co-occurrence matrix, state of the art techniques as Gabor wavelets, and new and promising texture analysis methods, such as volumetric fractal dimension. In classification context is investigated methods of pattern recognition based on multivariate data analysis, artificial neural networks and committee machines. Although leaf classes present high similarity between classes and not appropriate similarity intraclasses, the results obtained are excellent. The best strategy for classification, using committee machines with descriptors of Gabor wavelets/color and volumetric fractal dimension/color, yielded a high probability of success, 96:32% in 40 classes studied. This result demonstrates how computational methods of images analysis, in particular texture analysis, can contribute and make more easier and faster the task of identifying plant species

Texture is one of the primary visual attributes used to describe patterns found in nature. Several texture analysis methods have been used as powerful tools for real applications involving analysis and computer vision. However, existing methods do not successfully discriminate the complexity of texture patterns. Such methods disregard the possibility of describing image structures by means of measures such as the fractal dimension. Fractality-based measures allow a non-integer geometric interpretation with applications in areas such as mathematics, physics, and biology. With this gap in mind, the central hypothesis of this thesis is that textures can be described as irregular fractal surfaces due to their complex geometry; such geometry can be exploited for image analysis and computer vision. By exploring such possibilities, pushing the limits of the state-of-the-art, this thesis starts with an analysis of texture features achieved by means of agents on image surfaces. To do so, we used the Bouligand-Minkowski fractal dimension, swarm-system Artificial Crawlers, and non-linear diffusion of Perona-Malik, techniques that led to methodologies with efficacy and efficiency comparable to the state-of-the-art. Our first method combines fractal dimension with random walks on the surface of images. In a second approach, non-linear diffusion is used to represent texture images at different scales, which are described via their fractal dimension for image classification purposes. In a third proposal, we employ fractal dimension concepts over multiple scales derived from the same image for a richer texture description. One of the purposes is the automatic detection of diseases in soybean leaves. Finally, texture characteristics were exploited in a method based on complex networks used to analyze the agglomeration of particles in nanotechnology images. The results achieved in the four methodologies described in this thesis demonstrated the potential of using texture features in tasks of classification and pattern recognition. The contributions of this work shall support significant advances in materials engineering, computer vision, and agriculture. / A textura é um dos principais atributos visuais para a descrição de padrões encontrados na natureza. Diversos métodos de análise de textura têm sido usados como uma poderosa ferramenta para aplicações reais que envolvem análise de imagens e visão computacional. Entretanto, os métodos existentes não conseguem discriminar com sucesso a complexidade dos padrões de textura. Tais métodos desconsideram a possibilidade de se descrever estruturas de imagens por meio de medidas como a dimensão fractal. Medidas baseadas em fractalidade permitem uma interpretação geométrica não-inteira que possui aplicações encontradas em áreas como matemática, física, e biologia. Sobre esta lacuna metodológica, a hipótese central desta tese é que texturas presentes na natureza podem ser medidas como superfícies fractais irregulares devido à sua geometria complexa, o que pode ser explorado para fins de análise de imagens e visão computacional. Para superar tais limitações, avançando o estado da arte, esta tese se inicia com uma análise das características de texturas baseada em caminhadas aleatórias de agentes sobre superfícies de imagens. Esta primeira análise leva a um método que combina dimensão fractal com caminhadas de agentes sobre a superfície de imagens. Em uma segunda abordagem, usa-se a difusão não-linear para representar imagens de texturas em diferentes escalas, as quais são descritas via dimensão fractal para fins de classificação de imagens. Em uma terceira proposta, emprega-se a dimensão fractal sobre múltiplas escalas derivadas de uma mesma imagem com o propósito de se realizar a descrição multi-escala de texturas. Um dos propósitos específicos foi a detecção automática de doenças em folhas de soja. Por último, as características de textura foram exploradas segundo uma metodologia baseada em redes complexas para análise de aglomeração de partículas em imagens de nanotecnologia. Os resultados alcançados nesta tese demonstraram o potencial do uso de características de textura. Para tanto foram usadas técnicas de dimensão fractal de Bouligand-Minkowski, multiagentes Artificial Crawlerse difusão não-linear de Perona-Malik, os quais alcançaram eficácia e eficiência comparáveis ao do estado da arte. As contribuições obtidas devem suportar avanços significativos nas áreas de engenharia de materiais, visão computacional, e agricultura.

Neste trabalho é apresentado um método para reconhecimento de seres humanos através da textura da íris. A imagem do olho é processada através da análise do gradiente, com uma técnica de dispersão aleatória de sementes. Um vetor de características é extraído para cada íris, baseado na análise dos componentes wavelet em diversos níveis de decomposição. Para se mensurar as distâncias entre esses vetores foi utilizado o cálculo da distância Euclidiana, gerando-se curvas recall x precision para se medir a eficiência do método desenvolvido. Os resultados obtidos com algumas famílias wavelets demonstraram que o método proposto é capaz de realizar o reconhecimento humano através da íris com uma precisão eficiente. / This work presents a method for recognition of human beings by iris texture. The image of the eye is processed through gradient analysis, based on a random dispersion of seeds. So, it is extracted a feature vector for each iris based on wavelet transform in some levels of decomposition. To estimate the distances between these vectors it was used the Euclidean distance, and recall x precision curves are generated to measure the efficiency of the developed method. The results gotten with some wavelets families had demonstrated that the proposed methodology is capable to do human recognition through the iris with an efficient precision.

O presente trabalho propõe o uso de parâmetros de textura extraídos computacionalmente de IRM como biomarcadores de imagem na predição de recorrência tumoral em pacientes de adenomas pituitários clinicamente não funcionantes (APNF). Para isso, esse estudo analisou imagens de RM de 15 pacientes de APNF retrospectivamente separados em dois grupos: O grupo de pacientes recorrentes, definido por 7 pacientes que exibiram recorrência tumoral em um período de 4, 640 +- 0, 653 anos (média +- erro padrão) de acompanhamento clínico após a primeira abordagem cirúrgica; e o grupo de pacientes estáveis, formado por 8 pacientes com lesões consideradas estáveis em um período de 4,512 +- 0, 536 anos. Uma máscara de segmentação tridimensional da lesão tumoral foi construída manualmente por um especialista sobre a imagem 3D T1-W DCE pré-operatória para cada paciente. Em seguida, essa segmentação e a própria imagem de ressonância foram usadas para extrair 48 características numéricas de textura. Adicionalmente, 4 características clínicas foram consideradas no estudo: a imunohistoquímica, invasividade, idade na primeira cirurgia e sexo, totalizando 52 características. Cada uma destas 52 características fora testada através de testes estatísticos convencionais univariados para ver se existia evidencias do poder discriminatório dessas características para diferenciar esses dois grupos de pacientes. Mais adiante, diferentes subconjuntos dessas características foram usados para construir modelos de predição baseados na teoria de aprendizagem de máquinas (usando os algoritmos k-nearest neighbor (kNN), decision tree (DTC), e random forest (RFC)) para investigar um modelo de classificação capaz de identificar os pacientes que experimentariam recorrência tumoral após a primeira cirurgia. 9 características de textura foram consideradas individualmente significantes (p < 0, 05) na diferenciação dos grupos de paciente recorrente e estável. Afirmando esses achados, a análise com a curva ROC para cada uma das 9 características exibiu medidas de AUC de 0,803 a 0,857 significando uma boa performance de classificação. A idade, imunoistoquímica, invasividade e sexo não mostraram evidencias de associação com recorrência tumoral. As melhores performances com algoritmos de classificação foram com kNN e RFC, ambos atingiram uma especificidade de 1,000 conservando alta acurácia (0,933) e obtendo 0,991 na análise com a curva ROC, o que caracteriza uma performance de classificação quase perfeita. DTC não mostrou nenhuma melhora se comparado com os resultados das classificações univariadas. Esses resultados permitem concluir que parâmetros de textura são úteis na predição de recorrência tumoral após a primeira cirurgia em pacientes de APNF. E que os valores de predição dessas características podem ser observados por testes estatísticos univariados convencionais e por análises multivariadas através de algoritmos baseados em aprendizagem de máquinas / The present work proposes the usage of texture features computationally extracted from MRI as imaging biomarkers in the prediction of tumor recurrence in patients with non-functioning pituitary adenomas (NFPA). With this purpose, this study analyzed MR images from 15 patients of NFPA retrospectively separated in two groups: the recurrent patient group, formed by seven (7) patients who exhibited tumor recurrence in a period of 4,640 +- 0,653 years (mean +- standard error) of follow-up period after the first surgical approach; and the stable patient group formed by eight (8) patients with lesions considered stable in a period of 4,512 +- 0,536 years. A three-dimensional segmentation mask of the tumor lesion was manually performed by a specialist over preoperative 3D T1-W DCE MR image for each patient. Next, this segmentation and the preoperative MRI itself were used to extract 48 numerical textural features. Additionally, 4 clinical features were considered in the study: immunohistochemistry, invasiveness, age at first surgery, and gender, totalizing 52 features. Each one of those 52 features were tested through conventional univariate statistical tests to see if there were evidence of their discrimination power to differentiate these two patient groups. Moreover, different subsets of those features were used to build machine learning prediction models (using k-nearest neighbor (kNN), decision tree (DTC), and random forest (RFC) algorithms) to investigate a classification model capable of identifying the patients that would experience tumor recurrence after the first surgery. 9 quantitative textural features were found to be individually significant (p < 0,05) in the differentiation of recurrent and stable patient group. Affirming these findings, the ROC curve analysis for each one of those 9 features exhibited an AUC score from 0.803 to 0.857 meaning a good classification performance. Age, immunohistochemistry and invasiveness status, and gender did not show evidence of association with tumor recurrence. The best performances with classification algorithms were obtained with kNN and RFC, both reached specificity of 1.000 conserving high accuracy (0.933) and scoring 0.991 in ROC curve analysis, what characterizes an almost perfect classification performance. DTC did not show any improvement compared to the univariate classification results. These findings allow to conclude that textural features are useful in the prediction of tumor recurrence after first surgery in NFPA patients. And that the prediction value of those features can be observed with both conventional univariate statistical tests and multivariate analyses through machine learning algorithms

Texture analysis is an active area of research and plays an important role in computer vision applications. Texture, along with color and shape, contains important features of an image. Texture analysis allows to characterize regions inside an image by using descriptors. These descriptors are applied in the study of texture classification, in which the goal is to identify features that characterize a particular texture and assign a label to an image based on these features. Because of the importance of texture analysis in computer vision, researchers are continually devising and developing new descriptors, with the aim to improve the discriminative power of texture features of an image. A difficult task in texture analysis is to compare these descriptors and verify which are the most suitable for each type of image. The lack of a good review and comparison of descriptors cause that some applications do not use the most appropriate descriptor for a specific type of texture. Therefore, in this dissertation it was developed a research and collaboration platform for the analysis and comparison of texture descriptors and texture datasets. The platform aims to support the researchers in the area of texture analysis, specifically in texture classification. The platform was useful to perform an extensive comparison of texture descriptors and various texture datasets. Using the platform, in some datasets the results produced were better than those previously found in the literature. The results indicate that the classification accuracy varies according to the descriptor and classifier employed. By varying the parameters of texture descriptors it was possible to get different, yet better, classification accuracies. / A análise de textura é uma área ativa de pesquisa que desempenha um papel importante em aplicações de visão computacional. A textura, juntamente com a cor e a forma, contém características importantes de uma imagem. A análise de textura permite caracterizar regiões dentro de uma imagem usando descritores. Esses descritores são aplicados no estudo de classificação de texturas, no qual o objetivo é identificar características que distingam uma determinada textura e atribuir um rótulo a uma imagem baseada nessas características. Devido à importância da análise de textura na visão computacional, os pesquisadores estão continuamente criando e desenvolvendo novos descritores, com o objetivo de melhorar o poder discriminativo dessas características em uma imagem. Uma tarefa difícil na análise de textura é comparar esses descritores e verificar quais são os mais adequados para cada tipo de tipo de imagem. A falta de uma boa revisão e comparação de descritores de textura pode fazer com que algumas aplicações não utilizem o descritor mais adequado para um tipo específico de textura. Portanto, nesta dissertação foi desenvolvida uma plataforma de pesquisa e colaboração para a análise e comparação de descritores de textura e conjuntos de dados de textura. A plataforma visa apoiar os pesquisadores na área de análise de textura, especificamente na classificação de texturas. A plataforma foi útil para realizar uma comparação extensiva de descritores de textura e vários conjuntos de dados de textura. Com essa plataforma, em alguns conjuntos de dados os resultados encontrados foram melhores que aqueles encontrados anteriormente na literatura. Os resultados indicam que a acurácia de classificação muda segundo o descritor e o classificador usado. Mudando os valores dos parâmetros dos descritores de textura foi possível obter acurácias diferentes e até melhores.

A displasia cortical focal (DCF) é uma das causas mais frequentes de epilepsia refratária. Na clínica, diferentes informações são usadas para localizar o foco epileptogênico, mas nenhum método é autossuficiente para evidenciar o local original das crises, associado com a presença da DCF. Embora haja relatos na literatura indicando alterações no padrão de distribuição de tons de cinza e morfologia dos voxels decorrentes da DCF, algumas limitações dos métodos desenvolvidos ainda impedem a utilização clínica. Nossa proposta foi investigar a capacidade de identificar DCF através de análises de espessura cortical e padrões de textura em imagens estruturais de Ressonância Magnética (RM), validando os métodos desenvolvidos a partir uma base de imagens retrospectiva, cujo tecido epileptogênico já havia sido ressecado e a DCF confirmada em análise histológica. A caracterização das DCF foi feita a partir da segmentação automática de tecido cortical saudável em conjunto com a segmentação manual da DCF feita por um especialista, e consiste na geração de mapas de característica e extração de valores de distribuições para comparação em análise estatística. Investigamos também a eficácia da detecção de DCF através do uso de algoritmos de aprendizado de máquina para classificação automática. Obtivemos precisão 0,81 e sensitividade 0,87, colocando o método desenvolvido em par com outros métodos presentes na literatura. Entretanto, foi identificada uma grande dependência do desempenho de métodos de pré-processamento, como corregistro e segmentação automática. / Focal Cortical Dysplasia (FCD) is one of the most frequent causes of refractory epilepsy. In clinical procedures, the information gathered from different techniques is used in order to locate the epileptogenic focus, associated with the presence of FCD. However, there is no self sufficient method to evidence the presence and location of such lesions and especially its extension. Although there are reports indicating change in gray scale intensity patterns and voxel morphology in the presence of DCF, limitations in developed methods still prevent their clinical use. Our proposal was to investigate the capability of identifying FCD through cortical thickness and texture patter analysis in structural MRI images, validating developed methods by utilizing a retrospective base of images from patients that were subjected to surgery, with the FCD being confirmed in histological analysis. Characterization of FCD was achieved from automatic segmentation of healthy cortex and manual segmentation of FCD tissue made by an specialist, and consists in the generation of texture or structural feature maps and comparison of distribution values in healthy or FCD tissue with statistical analysis. We also investigate the efficiency of FCD detection with Machine Learning automatic classification, obtaining precision of 0,81 and sensitivity of 0,87, placing our method on par with other methods in the literature. However, there is a major performance dependency of proposed method with pre-processing steps, like registration and automatic segmentation.