Submitted by Alex Sandro R?go (alex@ifpb.edu.br) on 2017-06-06T12:31:42Z
No. of bitstreams: 1
35- Cec?lia Burle de Aguiar - AVALIA??O DE ACIDENTE VASCULAR CEREBRAL EM TOMOGRAFIA COMPUTADORIZADA UTILIZANDO ALGORITMO DE OTIMIZA??O DE FORMIGAS.pdf: 9051641 bytes, checksum: c6b2c258b4e9294458ce8512d4af99b9 (MD5) / Approved for entry into archive by Alex Sandro R?go (alex@ifpb.edu.br) on 2017-06-06T12:34:33Z (GMT) No. of bitstreams: 1
35- Cec?lia Burle de Aguiar - AVALIA??O DE ACIDENTE VASCULAR CEREBRAL EM TOMOGRAFIA COMPUTADORIZADA UTILIZANDO ALGORITMO DE OTIMIZA??O DE FORMIGAS.pdf: 9051641 bytes, checksum: c6b2c258b4e9294458ce8512d4af99b9 (MD5) / Made available in DSpace on 2017-06-06T12:34:33Z (GMT). No. of bitstreams: 1
35- Cec?lia Burle de Aguiar - AVALIA??O DE ACIDENTE VASCULAR CEREBRAL EM TOMOGRAFIA COMPUTADORIZADA UTILIZANDO ALGORITMO DE OTIMIZA??O DE FORMIGAS.pdf: 9051641 bytes, checksum: c6b2c258b4e9294458ce8512d4af99b9 (MD5)
Previous issue date: 2017-05-06 / CAPES / O acidente vascular cerebral (AVC) ? uma das maiores causas de morte e de incapacidades neurol?gicas do mundo, sendo a doen?a neurol?gica mais comum e potencialmente mais devastadora, e por essa raz?o ? respons?vel por um grande n?mero de pesquisas e inova??es na ?rea de imagens m?dicas. No Brasil h? uma distribui??o extremamente desigual de recursos m?dicos de boa qualidade em decorr?ncia de sua grande extens?o territorial. Dessa forma, existem in?meros locais e servi?os de sa?de em que n?o h? a presen?a de um especialista em radiologia para observar as imagens de tomografia computadorizada (TC). Por essa raz?o h? uma motiva??o para o desenvolvimento de sistemas computadorizados para o aux?lio ao diagn?stico de doen?as utilizando t?cnicas de processamento de imagens. T?cnicas de processamento digital de imagens podem ser utilizadas para auxiliar o diagn?stico m?dico dessa patologia, possibilitando um diagn?stico mais r?pido, bem como um acompanhamento
da ?rea de extens?o das les?es isqu?micas e hemorr?gicas causadas pelo AVCi (isqu?mico) ou AVCh (hemorr?gico). Ent?o, os algoritmos desenvolvidos para detec??o de AVC poderiam ser utilizados para auxiliar cl?nicos, ou outros profissionais de sa?de, para que esses possam ou encaminhar para algum centro especializado pr?ximo ou iniciar o tratamento adequado o mais r?pido poss?vel melhorando o progn?stico dos pacientes acometidos pela patologia. Neste trabalho foram desenvolvidos
e implementados cinco algoritmos para detectar e real?ar as ?reas de AVCi e AVCh em imagens de TC de cr?nio, dos quais tr?s foram utilizados para detec??o de AVCi agudo/subagudo (nos est?gios iniciais) e dois para detec??o de AVCh. Inicialmente, foram implementados os algoritmos para a detec??o dessas duas patologias baseados em limiariza??o, e em seguida foi implementado o algoritmo de segmenta??o de imagens baseado em ACO (Ant Colony Optimization) e k-means. Baseado nessa segmenta??o com ACO foi desenvolvido um algoritmo de detec??o de AVCh, um algoritmo de detec??o dos ventr?culos cerebrais e posterior detec??o do AVCi utilizando a limiariza??o e um algoritmo de detec??o de AVCi agudo/subagudo. Em seguida, foram calculados e analisados os resultados estat?sticos para cada um dos algoritmos implementados, analisando a detec??o por paciente, por cortes e por pixels. Assim, sendo realizada uma avalia??o da detec??o dos dois tipos de AVC em rela??o a cada um dos algoritmos desenvolvidos. Os melhores resultados obtidos para a detec??o do AVCh foram com o algoritmo de segmenta??o baseado no ACO que apresenta uma sensibilidade, uma especificidade e uma acur?cia na detec??o por paciente de 100%, por corte apresenta uma sensibilidade de 51%, uma especificidade de 100% e uma acur?cia de 99%, e por pixel possui uma sensibilidade de 34%, uma especificidade de 99% e uma acur?cia de 99%. O processamento do conjunto das 22 imagens de cada paciente foi realizado em 1 minuto e 15 segundos por esse algoritmo. De forma semelhante, os melhores resultados para a detec??o do AVCi foram obtidos com o algoritmo ACO para a detec??o da ?rea de isquemia, que apresenta uma sensibilidade de 72%, uma especificidade de 88% e uma acur?cia na detec??o por paciente de 88%, por corte apresenta uma sensibilidade de 27%, uma especificidade de 98% e uma acur?cia de 98%, e por pixel possui uma sensibilidade de 12%, uma especificidade de 99% e uma acur?cia de 99%. Esse algoritmo possui um tempo de processamento para o conjunto de 20 imagens de um paciente de 1 minuto e 5 segundos.
Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ifpb.edu.br:177683/299 |
Date | 06 May 2017 |
Creators | Aguiar, Cec?lia |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Source | reponame:Repositório Institucional do IFPB, instname:Instituto Federal da Paraíba, instacron:IFPB |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0131 seconds