Banca de DEFESA: YÚRI FARO DANTAS DE SANT'ANNA
29/07/2022 11:15
O problema de classificação de linfócitos é usualmente resolvido com o uso de técnicas de \textit{deep learning} como as rede neurais convolucionais com múltiplas camadas. No entanto, Essas técnicas necessitam de hardwares específicos e um longo período de treinamento. Este trabalho propõe um classificador de imagens leve capaz de distinguir os linfócitos saudáveis e cancerígenos de pacientes com leucemia usando processamento de imagem e extração de características aplicadas a algoritmos de aprendizagem de máquina que exijam menos tempo de processamento e sejam executáveis em uma CPU convencional. As características extraídas são informações estatísticas, morfológicas, de textura, de frequência e contorno extraídas de cada imagem e usada para o treinamento de um conjunto de algoritmos leves que classificam as células entre malignas e saudáveis. Após o treinamento, esses classificadores são combinados em uma solução conjunta que otimiza o resultado final. A técnica proposta possui custo computacional inferior à maioria das estratégias de aprendizagem profunda em tempo de execução e tamanho da RNA. Os resultados aqui expostos contribuem para a classificação de linfócitos demonstrando que é possível atingir alta performance com classificadores treinados com um conjunto diversificado de características. Por fim, com o uso da análise de componentes principais foi possível reduzir o número de características utilizadas mantendo a alta performance do classificador.
SIGAA | Superintendência de Tecnologia da Informação/UFS | Telefonista/UFS (79)3194-6600 | Copyright © 2009-2024 - UFRN v3.5.16 -r19142-da426f1ea9