Made available in DSpace on 2016-08-17T14:53:26Z (GMT). No. of bitstreams: 1 Leonardo Martins.pdf: 1400853 bytes, checksum: 3b6aa06e1c4b580a53150460124fdeaa (MD5) Previous issue date: 2007-12-07 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Breast cancer is a serious public health problem in several countries of the world. Computer-Aided Detection/Diagnosis systems (CAD/CADx) have been used with relative success in aid to health care professionals. The goal of such systems is not to replace the professional, but join forces in order to early detect the different types of cancer. The main contribution of this work is to present a methodology for detecting masses in digitized mammograms using the algorithm Growing Neural Gas for the segmentation of the image and Ripley’s K function to describe the texture of segmented objects. The classification of these objects is accomplished through a Support Vector Machine (SVM), which separates them into two groups: masses and non-masses. The methodology obtained 89,30% of accuracy and a rate of 0,93 false-positive per image. / O câncer de mama apresenta-se como um grave problema de saúde pública em vários países do mundo. Sistemas de Detecção e Diagnóstico baseados em computador (CAD/CADx) vêm sendo usados com relativo sucesso no auxílio aos profissionais de saúde. O objetivo de tais sistemas não é substituir o profissional, mas unir forças com o objetivo de detectar precocemente os diferentes tipos de câncer. A principal contribuição deste trabalho é apresentar uma metodologia para detecção de massas em imagens mamográficas digitais, utilizando para tanto o algoritmo Growing Neural Gas para a segmentação da imagem e a função K de Ripley para descrever a textura dos objetos segmentados. A classificação desses objetos é feita através de uma Máquina de Vetor de Suporte (Support Vector Machine - SVM), a qual separa os mesmos em dois grupos: massa e não-massa. A metodologia obteve 89,30% de acerto e uma taxa de 0,93 falso-positivos por imagem.

A construção e ampliação de rodovias gera impactos significativos ao meio ambiente. Os principais impactos ao meio biótico são a supressão de vegetação, redução da riqueza e abundância de espécies de fauna como decorrência da fragmentação de habitats e aumento dos riscos de atropelamento de animais silvestres e domésticos. O objetivo geral do trabalho foi identificar padrões espaciais nos atropelamentos de fauna silvestre por espécie (nome popular) utilizando ferramentas de análise espacial e machine learning. Especificamente, buscou-se compreender a relação entre atropelamentos de animais silvestres e variáveis que representam características de uso e cobertura do solo e caracterização da rodovia, tais como formação florestal, corpos d\'água, silvicultura, áreas edificadas, velocidade máxima permitida, volume de tráfego, entre outras. Os atropelamentos de fauna silvestre foram analisados por espécie atropelada, a fim de identificar os padrões espaciais dos atropelamentos específicos para cada espécie. As ferramentas de análise espacial empregadas foram a Função K - para determinar o padrão de distribuição dos registros de atropelamento de fauna, o Estimador de Densidade de Kernel - para gerar estimativas de densidade de pontos sobre a rodovia, a Análise de Hotspots - para identificar os trechos mais críticos de atropelamento de fauna e, por fim, o Self-Organizing Maps (SOM), um tipo de rede neural artificial, que reorganiza amostras de dados n-dimensionais de acordo com a similaridade entre elas. Os resultados das análises de padrões pontuais foram importantes para entender que os pontos de atropelamento possuem padrões de distribuição espacial que variam por espécie. Os eventos ocorrem espacialmente agrupados e não estão homogeneamente distribuídos ao longo da rodovia. De maneira geral, os animais apresentam trechos de maior intensidade de atropelamento em locais distintos. O SOM permitiu analisar as relações entre múltiplas variáveis, lineares e não-lineares, tais como são os dados ecológicos, e encontrar padrões espaciais distintos por espécie. A maior parte dos animais foi atropelada próxima de fragmentos florestais e de corpos d\'água, e distante de cultivo de cana-de-açúcar, silvicultura e área edificada. Porém, uma parte considerável das mortes de animais dos tipos com maior número de atropelamentos ocorreu em áreas com paisagem diversificada, incluindo alta densidade de drenagem, fragmentos florestais, silvicultura e áreas edificadas. / The construction and expansion of roads cause significant impacts on the environment. The main potential impacts to biotic environment are vegetation suppression, reduction of the abundance and richness of species due to forest fragmentation and increase of animal (domestic and wildlife) vehicle collisions. The general objective of this work was to identify spatial patterns in wildlife-vehicle collisions individually per species by using spatial analysis and machine learning. Specifically, the relationship between wildlife-vehicle collisions and variables that represent land use and road characterization features - such as forests, water bodies, silviculture, sugarcane fields, built environment, speed limit and traffic volume - was investigated. The wildlife-vehicle collisions were analyzed per species, in order to identify the spatial patterns for each species separately. The spatial analysis tools used in this study were K-Function - to determine the distribution pattern of roadkill, Kernel Density Estimator (KDE) - to identify the location and intensity of hotspots and hotzones. Self-Organizing Maps (SOM), an artificial neural network (ANN), was selected to reorganize the multi-dimensional data according to the similarity between them. The results of the spatial pattern analysis were important to perceive that the point data pattern varies between species. The events occur spatially clustered and are not uniformly distributed along the highway. In general, wildlife-vehicle collsions have their hotzones in different locations. SOM was able to analyze the relationship between multiple variables, linear and non-linear, such as ecological data, and established distinct spatial patterns per each species. Most of the wildlife was run over close to forest area and water bodies, and distant from sugarcane, silviculture and built environments. But a considerable part of the wildlife-vehicle collisions occurred in areas with diverse landscape, including high density of water bodies, silviculture and built environments.

A construção e ampliação de rodovias gera impactos significativos ao meio ambiente. Os principais impactos ao meio biótico são a supressão de vegetação, redução da riqueza e abundância de espécies de fauna como decorrência da fragmentação de habitats e aumento dos riscos de atropelamento de animais silvestres e domésticos. O objetivo geral do trabalho foi identificar padrões espaciais nos atropelamentos de fauna silvestre por espécie (nome popular) utilizando ferramentas de análise espacial e machine learning. Especificamente, buscou-se compreender a relação entre atropelamentos de animais silvestres e variáveis que representam características de uso e cobertura do solo e caracterização da rodovia, tais como formação florestal, corpos d\'água, silvicultura, áreas edificadas, velocidade máxima permitida, volume de tráfego, entre outras. Os atropelamentos de fauna silvestre foram analisados por espécie atropelada, a fim de identificar os padrões espaciais dos atropelamentos específicos para cada espécie. As ferramentas de análise espacial empregadas foram a Função K - para determinar o padrão de distribuição dos registros de atropelamento de fauna, o Estimador de Densidade de Kernel - para gerar estimativas de densidade de pontos sobre a rodovia, a Análise de Hotspots - para identificar os trechos mais críticos de atropelamento de fauna e, por fim, o Self-Organizing Maps (SOM), um tipo de rede neural artificial, que reorganiza amostras de dados n-dimensionais de acordo com a similaridade entre elas. Os resultados das análises de padrões pontuais foram importantes para entender que os pontos de atropelamento possuem padrões de distribuição espacial que variam por espécie. Os eventos ocorrem espacialmente agrupados e não estão homogeneamente distribuídos ao longo da rodovia. De maneira geral, os animais apresentam trechos de maior intensidade de atropelamento em locais distintos. O SOM permitiu analisar as relações entre múltiplas variáveis, lineares e não-lineares, tais como são os dados ecológicos, e encontrar padrões espaciais distintos por espécie. A maior parte dos animais foi atropelada próxima de fragmentos florestais e de corpos d\'água, e distante de cultivo de cana-de-açúcar, silvicultura e área edificada. Porém, uma parte considerável das mortes de animais dos tipos com maior número de atropelamentos ocorreu em áreas com paisagem diversificada, incluindo alta densidade de drenagem, fragmentos florestais, silvicultura e áreas edificadas. / The construction and expansion of roads cause significant impacts on the environment. The main potential impacts to biotic environment are vegetation suppression, reduction of the abundance and richness of species due to forest fragmentation and increase of animal (domestic and wildlife) vehicle collisions. The general objective of this work was to identify spatial patterns in wildlife-vehicle collisions individually per species by using spatial analysis and machine learning. Specifically, the relationship between wildlife-vehicle collisions and variables that represent land use and road characterization features - such as forests, water bodies, silviculture, sugarcane fields, built environment, speed limit and traffic volume - was investigated. The wildlife-vehicle collisions were analyzed per species, in order to identify the spatial patterns for each species separately. The spatial analysis tools used in this study were K-Function - to determine the distribution pattern of roadkill, Kernel Density Estimator (KDE) - to identify the location and intensity of hotspots and hotzones. Self-Organizing Maps (SOM), an artificial neural network (ANN), was selected to reorganize the multi-dimensional data according to the similarity between them. The results of the spatial pattern analysis were important to perceive that the point data pattern varies between species. The events occur spatially clustered and are not uniformly distributed along the highway. In general, wildlife-vehicle collsions have their hotzones in different locations. SOM was able to analyze the relationship between multiple variables, linear and non-linear, such as ecological data, and established distinct spatial patterns per each species. Most of the wildlife was run over close to forest area and water bodies, and distant from sugarcane, silviculture and built environments. But a considerable part of the wildlife-vehicle collisions occurred in areas with diverse landscape, including high density of water bodies, silviculture and built environments.

Made available in DSpace on 2016-08-17T14:53:04Z (GMT). No. of bitstreams: 1 Werner Borges de Sampaio.pdf: 2991418 bytes, checksum: 1c3fd03c2e6ffea37ed00740d75d2ffd (MD5) Previous issue date: 2009-08-31 / Breast cancer presents high occurrence frequency among the world population and its psychological effects alter the perception of the patient s sexuality and the own personal image. Mammography is an x-ray of the mamma that allows the precocious detection of cancer, since it is capable to showing lesions in their initial stages, typically very small lesions in the order of millimeters. The processing of mammographic images has been contributing to the detection and the diagnosis of mammary nodules, being an important tool, because it reduces the degree of uncertainty of the diagnosis, providing a supplementary source of information to the specialist. This work presents a computational methodology that aids the specialist in the detection of breast masses. The first step of the methodology aims at improvement the mammographic image, which consists of removal of unwanted objects, reduction of noise and enhancement of the breast internal structures. Then, Cellular Neural Networks are used to segment areas suspected of containing masses. These regions have their shapes analyzed by geometry descriptors (eccentricity, circularity, compactness, circular disproportion and circular density) and their textures are analyzed using geostatistical functions (Ripley's K function, Moran's and Geary's indices). Support Vector Machine were trained and used to classify the candidate regions in one of the classes, masses or no-mass, with sensibility of 80.00%, specificity of 85.68%, acuracy of 84.62%, a rate of 0.84 false positive for image and 0.20 false negative for image and an area under the curve ROC of 0.827. / Câncer de mama apresenta alta freqüência de ocorrência entre a população mundial e seus efeitos psicológicos alteram a percepção da sexualidade do paciente e a própria imagem pessoal. A mamografia é uma radiografia da mama que permite a descoberta precoce de câncer, sendo capaz a mostrar lesões nas fases iniciais, tipicamente lesões muito pequenas na ordem de milímetros. O processamento de imagens mamográficas tem contribuído para a descoberta e o diagnóstico de nódulos mamários, sendo uma importante ferramenta, pois reduz o grau de incerteza do diagnóstico, provendo uma fonte adicional de informação ao especialista. Este trabalho apresenta uma metodologia computacional que ajuda o especialista na descoberta de massas mamárias. O primeiro passo da metodologia visa à melhoria da imagem da mamografia que consiste em remoção de objetos externos à mama, redução de ruídos e realce das estruturas internas da mama. Então, Redes Neurais Celulares são usadas para segmentar áreas suspeitadas de conter massas. Estas regiões têm as suas formas analisadas por descritores de geometria (excentricidade, circularidade, densidade, desproporção circular e densidade circular) e as suas texturas analisadas por funções geoestatísticas (função de K de Ripley, e os índices de Moran e Geary). Máquinas de Vetores de Suporte são treinadas para classificar as regiões candidatas em um das classes, massas ou não-massa, com sensibilidade de 80,00%, especificidade de 85,68%, acurácia de 84,62%, uma taxa de 0,84 falsos positivos por imagem e 0,20 falsos negativos por imagem e uma área sob da curva ROC de 0,870.