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.
| Identifer | oai:union.ndltd.org:IBICT/oai:http://localhost:tede/5833 |
| Date | 17 April 2017 |
| Creators | Porto, Carmina Dessana Nascimento, 92-98277-4777 |
| Contributors | ppgee@ufam.edu.br, Costa, Marly Guimarães Fernandes, Costa Filho, Cícero Ferreira Fernandes |
| Publisher | Universidade Federal do Amazonas, Programa de Pós-graduação em Engenharia Elétrica, UFAM, Brasil, Faculdade de Tecnologia |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UFAM, instname:Universidade Federal do Amazonas, instacron:UFAM |
| Rights | http://creativecommons.org/licenses/by-nc-nd/4.0/, info:eu-repo/semantics/openAccess |
| Relation | -161377036298529205, 600, 500, -5930111888266832212 |
Page generated in 0.0032 seconds