Submitted by Patrícia Cerveira (pcerveira1@gmail.com) on 2017-06-07T18:57:51Z No. of bitstreams: 1 Fernando Otávio Gomes da Fonseca_Dissertação.pdf: 3191276 bytes, checksum: f567916527bd35630c5b6be3fb1b0c6e (MD5) / Approved for entry into archive by Biblioteca da Escola de Engenharia (bee@ndc.uff.br) on 2017-06-29T16:27:45Z (GMT) No. of bitstreams: 1 Fernando Otávio Gomes da Fonseca_Dissertação.pdf: 3191276 bytes, checksum: f567916527bd35630c5b6be3fb1b0c6e (MD5) / Made available in DSpace on 2017-06-29T16:27:45Z (GMT). No. of bitstreams: 1 Fernando Otávio Gomes da Fonseca_Dissertação.pdf: 3191276 bytes, checksum: f567916527bd35630c5b6be3fb1b0c6e (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / O presente trabalho visa estudar e comparar 2 métodos de detecção de faces em imagens, a fim de averiguar a eficiência e eficácia dos mesmos, propondo melhorias nos processos avaliados. O método de detecção de caraterísticas em imagens proposto por Viola e Jones é ainda uma referência na detecção de faces. Neste trabalho serão avaliadas propostas de melhorias nesse processo e comparados resultados quando utilizadas redes neurais mais modernas para o treinamento da base de dados. Realizamos simulações computacionais desenvolvidas em Matlab para obtenção dos resultados do comportamento dos sistemas e ao final do trabalho apresentamos as conclusões e sugestões de projetos futuros. / This work aims to study and compare two methods of face detection in images, in order to verify theirefficiency and effectiveness, proposing improvements in such processes. The feature detection method in images proposed by Viola and Jones is also a reference in detecting faces. In this work improvement proposals will be evaluated in thatprocess and compared results when used more modern neural networks for the training database. We performed computer simulations developed in Matlab to obtain theresults onsystems behavior. At the endof the work,we present the conclusions and suggestions for future projects.

Submitted by Maria Aparecida (cidazen@gmail.com) on 2017-04-27T13:46:48Z No. of bitstreams: 1 Caio Eduardo Falcão Matos.pdf: 1884390 bytes, checksum: a5489f8f52a87e6c5958458ed5470488 (MD5) / Made available in DSpace on 2017-04-27T13:46:48Z (GMT). No. of bitstreams: 1 Caio Eduardo Falcão Matos.pdf: 1884390 bytes, checksum: a5489f8f52a87e6c5958458ed5470488 (MD5) Previous issue date: 2017-02-08 / Breast cancer is one of the leading causes of death among women over the world. The high mortality rates that cancers achieves across the world highlight the importance of developing and investigating the means for the early detection and diagnosis of this disease. Computer Detection and Diagnosis Systems (Computer Assisted Detection / Diagnosis) have been used and proposed as a way to help health professionals. This work proposes a new methodology for discriminating patterns of malignancy and benignity of masses in mammography images by analysis of local characteristics. To do so, it is proposed a combined methodology of feature detectors and descriptors with a model of data representation for an analysis. The goal is to capture both texture and geometry in areas of mammograms. We use the SIFT, SURF and ORB detectors, and the descriptors HOG, LBP, BRIEF and Haar Wavelet. The generated characteristics are coded by a bag of features model to provide a new representation of the data and therefore decrease a dimensionality of the space of characteristics. Finally, this new representation is classified using three approaches: Support Vector Machine, Random Forest, and Adaptive Boosting to differentiate as malignant and benign masses. The methodology provides promising results for the diagnosis of malignant and benign mass encouraging that as local characteristics generated by descriptors and detectors produce a satisfactory a discriminating set. / O câncer de mama é apontado como uma das principais causas de morte entre as mulheres. As altas taxas de mortalidade e registros de ocorrência desse câncer em todo o mundo evidenciam a importância do desenvolvimento e investigação de meios para a detecção e diagnóstico precoce dessa doença. Sistemas de Detecção e Diagnóstico auxiliados por computador (Computer Aided Detection/Diagnosis) vêm sendo usados e propostos como forma de auxílio aos profissionais de saúde. Este trabalho propõe uma metodologia para discriminação de padrões de malignidade e benignidade de massas em imagens de mamografia através da análise de características locais. Para tanto, a metodologia combina detectores e descritores de características locais com um modelo de representação de dados para a análise, tanto de textura quanto de geometria em regiões extraídas das mamografias. São utilizados os detectores SIFT, SURF e ORB, e descritores HOG, LBP, BRIEF e Haar Wavelet. Com as características geradas é aplicado o modelo Bag of Features em uma etapa de representação que objetiva prover nova representação dos dados e por conseguinte diminuir a dimensionalidade do espaço de características. Por fim, esta nova representação é classificada utilizando três abordagens: Máquina de Vetores de Suporte, Random Forests e Adaptive Boosting visando diferenciar as massas malignas e benignas. A metodologia contém resultados promissores para o diagnóstico de massas malignas e benignas fomentando que as características locais geradas pelos descritores e detectores produzem um conjunto descriminate satisfatório.