Return to search

Avaliação de classificadores na classificação de radiografias de tórax para o diagnóstico de pneumonia infantil / Classifiers evaluation in chest radiograph classification to childhood pneumonia diagnosis

Submitted by Erika Demachki (erikademachki@gmail.com) on 2014-10-14T21:24:19Z
No. of bitstreams: 2
Dissertação - Rafael Teixeira Sousa - 2013.pdf: 2536972 bytes, checksum: 5a0aa0899207e8f66f11c5b819fcc211 (MD5)
license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Approved for entry into archive by Jaqueline Silva (jtas29@gmail.com) on 2014-10-16T18:20:52Z (GMT) No. of bitstreams: 2
Dissertação - Rafael Teixeira Sousa - 2013.pdf: 2536972 bytes, checksum: 5a0aa0899207e8f66f11c5b819fcc211 (MD5)
license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Made available in DSpace on 2014-10-16T18:20:52Z (GMT). No. of bitstreams: 2
Dissertação - Rafael Teixeira Sousa - 2013.pdf: 2536972 bytes, checksum: 5a0aa0899207e8f66f11c5b819fcc211 (MD5)
license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5)
Previous issue date: 2013-09-20 / This work extends a Computer-Aided Diagnosis system called PneumoCAD for detecting
pneumonia in infants using radiographic images, with the aim of improving the system’s
accuracy, robustness and test the features previously extracted. We implement and compare
five contemporary machine learning classifiers, namely: Naïve Bayes, K-Nearest
Neighbor (KNN), Support Vector Machines (SVM), Multi-Layer Perceptron (MLP) and
Decision Tree, combined with three dimensionality reduction algorithms: the feature
selection wrapper Sequential Forward Elimination (SFE), and two feature filter algotithms:
Principal Component Analysis (PCA) and Kernel Principal Component Analysis
(KPCA). Current Results of demonstrate that the Naïve Bayes classifier combined with
KPCA produces the best overall results. Also confirming the efficiency os features. / Avaliação de classificadores na classificação de radiografias de tórax para o diagnóstico
de pneumonia infantil Este trabalho dá continuidade ao Sistema de Auxílio a Diagnóstico
chamado de PneumoCAD para a detecção de pneumonia infantil por meio de imagens
radiográficas, com o objetivo de aprimorar a acurácia, robustez e testar as características
extraídas anteriormente. Nós implementamos cinco classificadores contemporâneos,
sendo estes: Naïve Bayes, K-Nearest Neighbor (KNN), Support Vector Machines (SVM),
Multi-Layer Perceptron (MLP) e Árvore de decisão. Combinamos os classificadores com
três algoritmos de redução de dimensionalidade: o wrapper Sequential Forward Elimination
(SFE) e dois filtros: Principal Component Analysis (PCA) e Kernel Principal Component
Analysis (KPCA). Os resultados atuais mostram que o Naïve Bayes combinado
com o KPCA produzem o melhor resultado (96% de acurácia). Também confirmando a
eficiência das características.

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.bc.ufg.br:tede/3356
Date20 September 2013
CreatorsSousa, Rafael Teixeira
ContributorsOliveira, Leandro Luís Galdino de, Oliveira, Leandro Luís Galdino de, Costa, Ronaldo Martins da, Ito, Marcia
PublisherUniversidade Federal de Goiás, Programa de Pós-graduação em Ciência da Computação (INF), UFG, Brasil, Instituto de Informática - INF (RG)
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguageEnglish
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Formatapplication/pdf
Sourcereponame:Biblioteca Digital de Teses e Dissertações da UFG, instname:Universidade Federal de Goiás, instacron:UFG
Rightshttp://creativecommons.org/licenses/by-nc-nd/4.0/, info:eu-repo/semantics/openAccess
Relation-3303550325223384799, 600, 600, 600, -7712266734633644768, 3671711205811204509

Page generated in 0.0025 seconds