ROCHA NETO, A. R. SINPATCO - Sistema Inteligente para Diagnóstico de Patologias da Coluna Vertebral. 2006. 105 f. Dissertação (Mestrado em Engenharia de Teleinformática) – Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2006. / Submitted by Marlene Sousa (mmarlene@ufc.br) on 2016-04-01T14:51:46Z
No. of bitstreams: 1
2006_dis_arrochaneto.pdf: 1288731 bytes, checksum: c797c37928a88bdc4cf6e4c7a109d9f1 (MD5) / Approved for entry into archive by Marlene Sousa(mmarlene@ufc.br) on 2016-04-01T17:48:57Z (GMT) No. of bitstreams: 1
2006_dis_arrochaneto.pdf: 1288731 bytes, checksum: c797c37928a88bdc4cf6e4c7a109d9f1 (MD5) / Made available in DSpace on 2016-04-01T17:48:57Z (GMT). No. of bitstreams: 1
2006_dis_arrochaneto.pdf: 1288731 bytes, checksum: c797c37928a88bdc4cf6e4c7a109d9f1 (MD5)
Previous issue date: 2006-04-28 / This dissertation presents the results obtained from a computer-aided medical diagnostic system implemented through statistical and neural pattern classifiers. The Intelligent System for Diagnosis of Pathologies of the Vertebral Column (SINPATCO) has a modular architecture and is composed of three subsystems, namely: graphical interface, classification of pathology, and knowledge extraction. The graphical interface module allows a friendly man-machine interaction with the physician. The pathology classification module is implemented through difierent algorithms, such as linear and quadratic discriminants, Naive Bayes classifier, K Nearest Neighbors (KNN) classifier, Multilayer Perceptron (MLP) network, Self-Organizing Map (SOM) network, ang Generalized Regression network (GRNN). The knowledge extraction module is responsible for rule extraction from trained neural network based classifiers, in order to elucidate the neural-based diagnostic to the orthopedist. In particular, the pathology classification module of the SINPATCO platform uses recently proposed biomechanical attributes to categorize a patient into one out of three classes: normal subjects, subjects with spondilolistesis, and subjects with disk hernia. All the aforementioned classifiers are evaluated with respect their pathology recognition rate, number of false positive cases, number of false negative cases and sensitivity to outliers. The contribution of this work is manifold. Starting from the fact that it is probably the first to use (within the orthopaedic medicine) a recently proposed set of biomechanical measurements for the design of classifiers, this work also evaluates several pattern classifiers in the diagnosis of patologies of the vertebral column, and allows knowledge extraction from the trained classifiers in order to elucidate the obtained diagnostic to the physician. To the best of our knowledge, the combination of these three contributions makes the SINPATCO platform an innovative computer-aid tool for the orthopedist, facilitating the work of these professionals. Despite the fact that the SINPATCO platform can serve as a computer-aided diagnostic tool in the orthopedic medicine, it can also be used by non-expert clinicians, in order to minimize the lack of orthopedists in remote regions, speeding up the treatment and the transferring of patients to more developed centers. / Esta dissertação apresenta os resultados de um sistema de auxílio ao diagnóstico médico implementado através de classificadores estatísticos e neurais. O Sistema Inteligente para Diagnóstico de Patologias da Coluna Vertebral (SINPATCO) é composto por três subsistemas, a saber: interface gráfica, classificação de patologias e extração de conhecimento. O módulo de interface gráfica permite uma interação amigável com o especialista médico. O módulo de classificação automática de patologias é implementado por diferentes algoritmos, tais como discriminantes linear e quadrático, Naive Bayes, K-Vizinhos mais Próximos (KNN), rede MLP, rede SOM e rede GRNN. O módulo de extra ção de conhecimento é responsável pela extração de regras proposicionais a partir dos classificadores treinados, a fim de elucidar para o médico ortopedista como o classificador chega ao diagnóstico final. Em particular, o módulo de classificação de patologias da plataforma SINPATCO utiliza atributos biomecânicos recentemente propostos para efetuar a categorização de um paciente em três classes: pacientes normais, pacientes com espondilolistese e pacientes com hérnia de disco. Os diversos classificadores supracitados são comparados com relação à taxa de acerto, número de falsos positivos, número de falsos negativos e sensibilidade a amostras discrepantes (outliers). As contribuições deste trabalho são variadas, indo desde do fato de ser provavelmente o primeiro a usar um conjunto recente de atributos biomecânicos para projeto de classificadores na área de medicina ortopédica, passando pelo estudo comparativo do desempenho de vários classificadores, até a extração de regras a partir dos classificadores com melhor desempenho para explicar o diagnóstico obtido ao médico, para posterior avaliação. Até onde se tem conhecimento, a combinação destas três contribuições torna o sistema SINPATCO inovador na área de ortopedia médica, servindo de auxílio na atividade de diagnóstico e facilitando o trabalho dos profissionais dessa área. Além servir como ferramenta de auxílio ao diagnóstico do médico especializado em ortopedia, o sistema SINPATCO pode ser usado por clínicos não-especialistas em ortopedia, a fim de minimizar a carência de ortopedistas em regiões remotas, agilizando o atendimento e o encaminhamento do paciente para centros mais desenvolvidos.
| Identifer | oai:union.ndltd.org:IBICT/oai:www.repositorio.ufc.br:riufc/15977 |
| Date | 28 April 2006 |
| Creators | Rocha Neto, Ajalmar Rêgo da |
| Contributors | Barreto, Guilherme de Alencar, Cortez, Paulo César |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFC, instname:Universidade Federal do Ceará, instacron:UFC |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0027 seconds