Submitted by MARIA JACQUELINE ATOCHE BRAVO (jacqui_mab@hotmail.com) on 2016-05-13T13:28:28Z No. of bitstreams: 1 disertacao__Jacqui.pdf: 8482416 bytes, checksum: 2325158a94282088f873ac31bbd97305 (MD5) / Approved for entry into archive by Felipe Augusto Arakaki (arakaki@reitoria.unesp.br) on 2016-05-16T12:30:13Z (GMT) No. of bitstreams: 1 bravo_mja_me_sjrp.pdf: 8482416 bytes, checksum: 2325158a94282088f873ac31bbd97305 (MD5) / Made available in DSpace on 2016-05-16T12:30:13Z (GMT). No. of bitstreams: 1 bravo_mja_me_sjrp.pdf: 8482416 bytes, checksum: 2325158a94282088f873ac31bbd97305 (MD5) Previous issue date: 2016-03-31 / Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) / No presente trabalho, apresenta-se uma revisão sobre os principais abordagens para análise e classificação de texturas, entre eles o descritor LBP (Local Binary Pattern), o descritor LFP (Local Fuzzy Patterm) e o descritor MSLMP (Multi-scale Local Mapped Pattern), o qual é uma extensão multiescalar do descritor LMP (Local Mapped Pattern). Resultados anteriores presentes na literatura, indicaram que o MSLMP conseguiu resultados superiores aos mencionados anteriormente. Neste trabalho propõe-se uma análise mais abrangente sobre sua viabilidade para concluir que o MSLMP é mais eficaz que os anteriores. Essa análise é feita alterando-se a Matriz de Pesos para os pixels limiarizados. Para avaliar seu desempenho, foi utilizada a base de texturas do Album de Brodatz. Após processá-la pelo descritor MSLMP, com cada uma das matrizes de Pesos propostas neste trabalho, foram comparadas as taxas de acertos alcançadas usando a distância Chi-quadrado. Resultados experimentais mostram um valor de sensibilidade melhor para o descritor MSLMP em comparação aos outros descritores presentes na literatura. / This work, presents a review about the main techniques for analysis and classification of textures, including the LBP descriptor (Local Binary Pattern), the descriptor LFP (Local Fuzzy Pattern) and the descriptor MSLMP (Multi-Scale Local Mapped Pattern), which is a multi-scale extension of the LMP method (Local Mapped Pattern). Previous results present in the literature, indicated that the MSLMP achieved better results than those mentioned above. This work proposes a more comprehensive analysis of its feasibility to conclude that this descriptor is more effective than the others. This analysis is done by changing the weight matrix for the thresholding pixels. To evaluate its performance, it was used the texture base of the Brodatz album. After processing it by the descriptor MSLMP with each of the weights matrices proposed in this work, the achieved hit rates were compared by using the distance Chi-square. Experimental results show a better sensitivity value for MSLMP descriptor in comparison of other descriptors present in the literature. / CNPq: 131632/2014-0

Made available in DSpace on 2016-06-02T19:05:40Z (GMT). No. of bitstreams: 1 2695.pdf: 5053010 bytes, checksum: 2e6ff8d79ec3a3f85928bc9486a54956 (MD5) Previous issue date: 2009-09-28 / This dissertation presents the development of a computer vision system for bananas (Musa sapientum) analysis in post-harvest stage based on digital image processing techniques. The development used considerations about image acquisition, pre-processing, identification based on texture, percentage of brown spots and injuries on the fruits and classification of its maturity levels. The validation has been developed considering geometric patterns generated in laboratory, as well as real fruits. With the texture map it was possible to identify the existence of brown spots or injuries in a specific region of the images. The assessment of the level of maturation was performed considering both human observers and the computer vision system. The average of identification level of maturity was equal to 50% for human observers and 100% for computer vision. The results show identification rates of 80.40% for brown spots on the single image of banana, 97.70% for brown spots on the images of bundle of bananas, 97.80% for injuries for the set of single image of banana, and 75.30% for hand injuries considering the images of bundle of bananas. Besides, the method presents application for quality assessing of fruits in the post-harvest procedures. / Este trabalho apresenta o desenvolvimento de um sistema de visão computacional para análise de bananas (Musa sapientum), em estágio de pós-colheita, utilizando técnicas de processamento digital de imagens. Para o desenvolvimento foram consideradas as etapas de aquisição das imagens, pré-processamento, identificação baseada em textura, classificação em níveis de maturação e a obtenção do percentual de manchas marrons e injúrias. A validação foi desenvolvida considerando padrões geométricos gerados em laboratório, bem como considerando frutas reais. A obtenção do mapa de textura viabilizou a identificação da existência de manchas marrons ou injúrias em uma região da imagem. A avaliação método de classificação em nível de maturação foi realizada considerando os resultados obtidos com observadores humanos e visão computacional. A média da taxa de acerto dos observadores foi de 50% e a taxa de acerto da visão computacional foi de 100%. Além disso, os resultados da análise de manchas marrons e injúrias indicam uma taxa de acerto de 80,40% para manchas marrons em imagem de banana individual, 97,70% para manchas marrons em imagem de penca de bananas, 97,80% para injúrias em imagem de banana individual e 75,30% para injúrias em imagem de pencas. Adicionalmente, o desempenho global do sistema motiva a aplicação desta metodologia para avaliação da qualidade dos frutos no pós-colheita de bananas.

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

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.

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.

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.

Orientador: Prof. Dr. Marcelo Zanchetta do Nascimento / Coorientadora: Profa. Dra. Ana Lígia Scott / Dissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Engenharia da Informação, Santo André, 2018. / Nos últimos anos a ciência vem contribuindo significativamente para o avanço no diagnóstico precoce de doenças, através da análise de imagens médicas. As novas tecnologias de geração de imagens, através da digitalização, trazem a possibilidade de geração de uma gama de imagens que antes era inviável do ponto de vista econômico. Com esse avanço, a quantidade de informações que cada paciente gera é extensa, aumentando consideravelmente o trabalho de investigação manual. Por isso, a necessidade de se desenvolver soluções automatizadas para análise dessas imagens. Sem contar que essas soluções introduzem um fator de precisão mais acurado, que podem contribuir com uma segunda opinião. As abordagens no domínio da frequência para extração de características de textura, utilizadas largamente para identificação de características de imagens de mama, fazem uso da Transformada Wavelet em conjunto com outros extratores. No entanto, a Wavelet é muito eficiente para identificar características em uma abordagem 1D, o que dificulta a descrição de bordas e contornos. A Transformada Ripplet-II vem justamente para resolver tais lacunas, ou seja, demonstra ser uma técnica capaz de obter informações de textura de imagens com maior precisão, como demonstra os estudos mais recentes. Este trabalho apresenta a investigação da transformada Ripplet-II em imagens histológicas de lesões de mama, para demonstrar a eficácia dessa abordagem na distinção dos grupos de lesões benignas e malignas. O método proposto utilizou um filtro CLAHE, de equalização de histogramas, na etapa de pré-processamento, antes da extração dos descritores resultantes da aplicação da Ripplet-II. Obteve-se ainda características derivadas da Matriz de Co-ocorrência, que foram combinadas com os descritores Ripplet-II. Como resultado da classificação das imagens, utilizando-se o ReliefF como seletor e o Random Forest como classificador. Na fase dos experimentos, uma comparação foi realizada entre descritores Wavelet e Ripplet-II, com valores de acurácia de 88,46% e 96,15%, respectivamente. A aproximação proposta mostra resultados promissores como uma técnica para classificação de lesões em imagens histológicas de mama. / In recent years, science has been contributing significantly to the advance in the early diagnosis of diseases, through the analysis of medical images. The new technologies of imaging, through the digitalization, bring the possibility of generating a range of images that previously was impracticable from the economic point of view. With this advance, the amount of information each patient generates is extensive, greatly increasing the manual research work. Therefore, the need to develop automated solutions to analyze these images. Not to mention that these solutions introduce a factor of precision, that can contribute to a second opinion. Frequency approaches for extracting texture characteristics, widely used for identification of breast imaging characteristics, make use of the Wavelet Transform in conjunction with other extractors. However, Wavelet is very efficient at identifying features in a 1D approach, which makes it difficult to describe edges and contours. The Ripplet-II Transform comes precisely to solve such gaps, that is, it proves to be a technique capable of obtaining information of texture of images with greater precision, as it demonstrates the most recent studies. This work presents the investigation of the Ripplet-II transform in histological images of breast lesions, to demonstrate the effectiveness of this approach in distinguishing groups of benign and malignant lesions. The proposed method used a CLAHE histogram equalization filter in the preprocessing step before extracting the resulting descriptors from the Ripplet-II. We also obtained features derived from the Co-occurrence Matrix, which were combined with the Ripplet-II descriptors. As a result of the classification of the images, using ReliefF as selector and Random Forest as a classifier. At the stage of the experiments, a comparison was carried out between Wavelet descriptors and Ripplet II, with accuracy values of 88.46% and 96.15%, respectively. The proposed approach shows promising results as a technique for lesion classification in histological breast imaging.

Orientador: Yuzo Iano / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação / Made available in DSpace on 2018-08-15T16:56:14Z (GMT). No. of bitstreams: 1 Silva_KarinneSaraivada_M.pdf: 10827460 bytes, checksum: 88bfa38e14ff8802bd4874d959af1e99 (MD5) Previous issue date: 2010 / Resumo: Segmentação de texturas é um ponto crucial em muitas aplicações da área de visão computacional e processamento digital de imagens. Muitas são as aplicações que utilizam imagens com texturas, como: sensoriamento remoto, análise de imagens médicas, inspeção industrial, etc. Para análise de texturas, é essencial o uso de um extrator de características capaz de representar bem cada textura presente na imagem. A transformada wavelet packet fornece a caracterização necessária para discriminação de texturas, oferecendo também uma representação multi-escala, ferramenta muito importante na análise de texturas. Outro ponto importante neste trabalho, é o fato da metodologia aqui proposta ser não supervisionada. Para tal, é utilizado o algoritmo de clusterização ARIA, que determina automaticamente o número de clusters presentes no conjunto de dados. A eficiência do método desenvolvido é comprovada aplicando-o em diversas imagens, como: mosaicos de Brodatz, imagens naturais, imagens médicas e outras aplicações. / Abstract:Texture segmentation is a crucial aspect in many computer vision and digital image processing applications. Several of these applications use texture images, such as remote sensing, medical image analysis, industrial inspection, etc. For texture analysis, it is essential to use a feature-extractor that can represent precisely each of the textures present in the picture. The wavelet packet transform provides the characteristics required for discrimination of the textures, as well as offering a multi-scale representation, which is a very important tool in texture analysis. Another important aspect in this work is that the proposed methodology is unsupervised. To achieve that, the clustering algorithm ARIA is used, which automatically determines the number of clusters present in the data set. The efficiency of the developed method is clear in the application of the method on several types of images, such as mosaics of Brodatz, natural images, medical images and other applications. / Mestrado / Telecomunicações e Telemática / Mestre em Engenharia Elétrica

A análise de textura é uma das mais básicas e famosas áreas de pesquisa em visão computacional. Ela é também de grande importância em muitas outras disciplinas, tais como ciências médicas e biológicas. Por exemplo, uma tarefa comum de análise de textura é a detecção de tecidos não saudáveis em imagens de Ressonância Magnética do pulmão. Nesta dissertação, nós propomos um método novo de caracterização de textura baseado nas medidas de complexidade tais como o expoente de Hurst, o expoente de Lyapunov e a complexidade de Lempel-Ziv. Estas medidas foram aplicadas sobre amostras de imagens no espaço de frequência. Três métodos de amostragem foram propostas, amostragem: radial, circular e por caminhadas determinísticas parcialmente auto- repulsivas (amostragem CDPA). Cada método de amostragem produz um vetor de características por medida de complexidade aplicada. Esse vetor contem um conjunto de descritores que descrevem a imagem processada. Portanto, cada imagem será representada por nove vetores de características (três medidas de complexidade e três métodos de amostragem), os quais serão comparados na tarefa de classificação de texturas. No final, concatenamos cada vetor de características conseguido calculando a complexidade de Lempel-Ziv em amostras radiais e circulares com os descritores obtidos através de técnicas de análise de textura tradicionais, tais como padrões binários locais (LBP), wavelets de Gabor (GW), matrizes de co-ocorrência en níveis de cinza (GLCM) e caminhadas determinísticas parcialmente auto-repulsivas em grafos (CDPAg). Este enfoque foi testado sobre três bancos de imagens: Brodatz, USPtex e UIUC, cada um com seus próprios desafios conhecidos. As taxas de acerto de todos os métodos tradicionais foram incrementadas com a concatenação de relativamente poucos descritores de Lempel-Ziv. Por exemplo, no caso do método LBP, o incremento foi de 84.25% a 89.09% com a concatenação de somente cinco descritores. De fato, simplesmente concatenando cinco descritores são suficientes para ver um incremento na taxa de acerto de todos os métodos tradicionais estudados. Por outro lado, a concatenação de un número excessivo de descritores de Lempel-Ziv (por exemplo mais de 40) geralmente não leva a melhora. Neste sentido, vendo os resultados semelhantes obtidos nos três bancos de imagens analisados, podemos concluir que o método proposto pode ser usado para incrementar as taxas de acerto em outras tarefas que envolvam classificação de texturas. Finalmente, com a amostragem CDPA também se obtém resultados significativos, que podem ser melhorados em trabalhos futuros. / Texture analysis is one of the basic and most popular computer vision research areas. It is also of importance in many other disciplines, such as medical sciences and biology. For example, non-healthy tissue detection in lung Magnetic Resonance images is a common texture analysis task. We proposed a novel method for texture characterization based on complexity measures such as Lyapunov exponent, Hurst exponent and Lempel-Ziv complexity. This measurements were applied over samples taken from images in the frequency domain. Three types of sampling methods were proposed: radial sampling, circular sampling and sampling by using partially self-avoiding deterministic walks (CDPA sampling). Each sampling method produce a feature vector which contains a set of descriptors that characterize the processed image. Then, each image will be represented by nine feature vectors which are means to be compared in texture classification tasks (three complexity measures over samples from three sampling methods). In the end, we combine each Lempel-Ziv feature vector from the circular and radial sampling with descriptors obtained through traditional image analysis techniques, such as Local Binary Patterns (LBP), Gabor Wavelets (GW), Gray Level Co-occurrence Matrix (GLCM) and Self-avoiding Deterministic Walks in graphs (CDPAg). This approach were tested in three datasets: Brodatz, USPtex and UIUC, each one with its own well-known challenges. All traditional methods success rates were increased by adding relatively few Lempel-Ziv descriptors. For example in the LBP case the increment went from 84.25% to 89.09% with the addition of only five descriptors. In fact, just adding five Lempel-Ziv descriptors are enough to see an increment in the success rate of every traditional method. However, adding too many Lempel-Ziv descriptors (for example more than 40) generally doesnt produce better results. In this sense, seeing the similar results we obtain in all three databases, we conclude that this approach may be used to increment the success rate in a lot of others texture classification tasks. Finally, the CDPA sampling also obtain very promising results that we can improve further on future works.

O disco intervertebral é uma estrutura cuja função é receber, amortecer e distribuir o impacto das cargas impostas sobre a coluna vertebral. O aumento da idade e a postura adotada pelo indivíduo podem levar à degeneração do disco intervertebral. Atualmente, a Ressonância Magnética (RM) é considerada o melhor e mais sensível método não invasivo de avaliação por imagem do disco intervertebral. Neste trabalho foram desenvolvidos métodos quantitativos computadorizados para auxílio ao diagnóstico da degeneração do disco intervertebral em imagens de ressonância magnética ponderadas em T2 da coluna lombar, de acordo com a escala de Pfirrmann, uma escala semi-quantitativa, com cinco graus de degeneração. Os algoritmos computacionais foram testados em um conjunto de dados que consiste de imagens de 300 discos, obtidos de 102 indivíduos, com diferentes graus de degeneração. Máscaras binárias de discos segmentados manualmente foram utilizadas para calcular seus centroides, visando criar um ponto de referência para possibilitar a extração de atributos. Uma análise de textura foi realizada utilizando a abordagem proposta por Haralick. Para caracterização de forma, também foram calculados os momentos invariantes definidos por Hu e os momentos centrais para cada disco. A classificação do grau de degeneração foi realizada utilizando uma rede neural artificial e o conjunto de atributos extraídos de cada disco. Uma taxa média de acerto na classificação de 87%, com erro padrão de 6,59% e uma área média sob a curva ROC (Receiver Operating Characteristic) de 0,92 indicam o potencial de aplicação dos algoritmos desenvolvidos como ferramenta de apoio ao diagnóstico da degeneração do disco intervertebral. / The intervertebral disc is a structure whose function is to receive, absorb and transmit the impact loads imposed on the spine. Increasing age and the posture adopted by the individual can lead to degeneration of the intervertebral disc. Currently, Magnetic Resonance Imaging (MRI) is considered the best and most sensitive noninvasive method to imaging evaluation of the intervertebral disc. In this work were developed methods for quantitative computer-aided diagnosis of the intervertebral disc degeneration in MRI T2 weighted images of the lumbar column according to Pfirrmann scale, a semi-quantitative scale with five degrees of degeneration. The algorithms were tested on a dataset of 300 images obtained from 102 subjects with varying degrees of degeneration. Binary masks manually segmented of the discs were used to calculate their centroids, to create a reference point to enable extraction of attributes. A texture analysis was performed using the approach proposed by Haralick. For the shape characterization, invariant moments defined by Hu and central moments were also calculated for each disc. The rating of the degree of degeneration was performed using an artificial neural network and the set of extracted attributes of each disk. An average rate of correct classification of 87%, with standard error 6.59% and an average area under the ROC curve (Receiver Operating Characteristic) of 0.92 indicates the potential application of the algorithms developed as a diagnostic support tool to the degeneration of the intervertebral disc.