Submitted by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2017-08-24T14:13:46Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação - Carmina D. N. Porto.pdf: 4630675 bytes, checksum: 8e1212301a185a80f51001a833edce8d (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2017-08-24T14:13:58Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação - Carmina D. N. Porto.pdf: 4630675 bytes, checksum: 8e1212301a185a80f51001a833edce8d (MD5) / Made available in DSpace on 2017-08-24T14:13:58Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação - Carmina D. N. Porto.pdf: 4630675 bytes, checksum: 8e1212301a185a80f51001a833edce8d (MD5) Previous issue date: 2017-04-17 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Studies in intravascular optical coherence tomography (IV-OCT) have demonstrated the importance of coronary bifurcation regions in intravascular medical imaging analysis, as plaques are more likely to accumulate in this region leading to coronary disease. A typical IVOCT pullback acquires hundreds of frames, thus developing an automated tool to classify the OCT frames as bifurcation or non-bifurcation can be an important step to speed up OCT pullbacks analysis and assist automated methods for atherosclerotic plaque quantification. In this work, we evaluate the performance of two state-of-the-art classifiers, SVM and Neural Networks in the bifurcation classification task. The study included IV-OCT frames from 9 patients. In order to improve classification performance, we trained and tested the SVM with different parameters by means of a grid search and different stop criteria were applied to the Neural Network classifier: mean square error, early stop and regularization. Different sets of features were tested, using feature selection techniques: PCA, LDA and scalar feature selection with correlation. Training and test were performed in sets with a maximum of 1460 OCT frames. We quantified our results in terms of false positive rate, true positive rate, accuracy, specificity, precision, false alarm, f-measure and area under ROC curve. Neural networks obtained the best classification accuracy, 98.83%, overcoming the results found in literature. Our methods appear to offer a robust and reliable automated classification of OCT frames that might assist physicians indicating potential frames to analyze. Methods for improving neural networks generalization have increased the classification performance. / 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.