Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/33905
ORCID:  http://orcid.org/0000-0001-5883-2983
Document type: Tese
Access type: Acesso Embargado
Attribution-NonCommercial-NoDerivs 3.0 United States
Embargo Date: 2023-12-08
Title: Associação entre atributos manuais e aprendizado profundo baseada em geometria fractal para classificação de imagens histológicas
Alternate title (s): Ensemble of handcrafted and deep learning features based on fractal geometry for the classification of histology images
Author: Roberto, Guilherme Freire
First Advisor: Nascimento, Marcelo Zanchetta do
First coorientator: Neves, Leandro Alves
First member of the Committee: Barioni, Maria Camila Nardini
Second member of the Committee: Julia, Rita Maria da Silva
Third member of the Committee: Lorena, Ana Carolina
Fourth member of the Committee: Ramos, Rodrigo Pereira
Summary: A classificação de imagens histológicas é uma tarefa que tem sido amplamente explorada nas recentes pesquisas de visão computacional. A abordagem mais estudada para esta tarefa tem sido a aplicação de aprendizado profundo por meio de modelos de CNN. Entretanto, o uso de CNN no contexto da classificação de imagens histológicas tem ainda algumas limitações, como a necessidade de grandes conjuntos de dados e a dificuldade de implementar um modelo generalizado capaz de classificar diferentes tipos de tecido histológico. Neste trabalho, propõe-se um modelo de comitê de classificadores baseado em atributos fractais e aprendizado profundo que consiste em combinar a classificação de duas CNN e a classificação de atributos manuais locais e globais aplicando a regra da soma. A extração das características é aplicada para obter 300 atributos fractais de diferentes conjuntos de dados histológicos. Estes atributos são reorganizados em uma matriz a fim de compor uma imagem RGB. São avaliados quatro procedimentos diferentes para efetuar esta reorganização, que geram modelos de representação dos atributos fractais que são dados como entrada para uma primeira CNN. Outra CNN recebe como entrada a imagem original correspondente. Depois de combinar os resultados de ambas as CNN com a classificação dos atributos manuais utilizando abordagens clássicas de aprendizado de máquina, foram obtidas acurácias que variam de 88,45\% a 99,77\% em cinco conjuntos de dados diferentes. Além disso, o modelo foi capaz de classificar imagens de conjuntos de dados com classes desbalanceadas, sem a necessidade de imagens possuírem a mesma resolução, e com um treinamento de 10 épocas. Também foi verificado que os resultados obtidos são complementares aos estudos mais relevantes publicados recentemente no contexto da classificação de imagens histológicas.
Abstract: Classification of histology images is a task that has been widely explored on recent computer vision researches. The most studied approach for this task has been the application of deep learning through CNN models. However, the use of CNN in the context of histological images classification has yet some limitations such as the need of large datasets and the difficulty to implement a generalized model able to classify different types of histology tissue. In this project, an ensemble model based on handcrafted fractal features and deep learning that consists on combining the classification of two CNN and the classification of local and global handcrafted features by applying the sum rule is proposed. Feature extraction is applied to obtain 300 fractal features from different histological datasets. These features are reshaped into a matrix in order to compose an RGB feature image. Four different reshaping procedures are evaluated, wherein each generates a representation model of fractal features which is given as input to a CNN. Another CNN receives as input the correspondent original image. After combining the results of both CNN with the classification of the handcrafted features using classical machine learing approaches, accuracies that range from 88.45\% up to 99.77\% on five different datasets were obtained. Moreover, the model was able to classify images from datasets with imbalanced classes, without the need of images having the same resolution, and using 10 epochs for training. It was also verified that the obtained results are complementary to the most relevant studies recently published in the context of histology image classification.
Keywords: aprendizado profundo
deep learning
atributos fractais
fractal features
comitê de classificadores
classification ensemble
imagens histológicas
histology images
Area (s) of CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Subject: Computação
Análise de imagem - Processamento eletrônico de dados
Aprendizado do computador
Imagens - Classificação
Language: eng
Country: Brasil
Publisher: Universidade Federal de Uberlândia
Program: Programa de Pós-graduação em Ciência da Computação
Quote: ROBERTO, Guilherme Freire. Associação entre atributos manuais e aprendizado profundo baseada em geometria fractal para classificação de imagens histológicas. 2021. 128f. Tese (Doutorado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2021. DOI http://doi.org/10.14393/ufu.te.2021.656.
Document identifier: http://doi.org/10.14393/ufu.te.2021.656
URI: https://repositorio.ufu.br/handle/123456789/33905
Date of defense: 4-Nov-2021
Appears in Collections:TESE - Ciência da Computação

Files in This Item:
File Description SizeFormat 
AssociacaoAtributosManuais.pdf37.25 MBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons