Please use this identifier to cite or link to this item:
https://repositorio.ufu.br/handle/123456789/43129
ORCID: | http://orcid.org/0000-0003-2673-3125 |
Document type: | Dissertação |
Access type: | Acesso Embargado |
Embargo Date: | 2026-06-05 |
Title: | Classificação de displasia da cavidade oral baseada em descritores fractais e ensemble learning |
Alternate title (s): | Classification of oral cavity dysplasia based on fractal and ensemble learning |
Author: | Carvalho, Rafael Henrique de Oliveira |
First Advisor: | Nascimento, Marcelo Zanchetta do |
First member of the Committee: | Escarpinati, Mauricio Cunha |
Second member of the Committee: | Zampirolli, Francisco de Assis |
Summary: | As lesões da cavidade oral podem ser classificadas em diferentes graus pelo especialista. No entanto, devido a carga de trabalho e nível de experiência essa tarefa pode estar sujeita a subjetividade. Uma forma de auxiliar o especialista nessa tarefa nos últimos anos, tem sido o emprego de sistemas computacionais como ferramenta suplementar para tomada de decisão do especialista. Neste trabalho, é apresentado uma abordagem para classificar lesões da cavidade oral com base em descritores obtidos da geometria fractal, modelos de redes neurais convolucionais e um ensemble learning. Na primeira etapa, o algoritmo gliding-box foi aplicado para obtenção dos descritores locais da geometria fractal em uma análise em multiresolução. Esse vetor de atributos foi remodelado para uma matriz 2D usando representações baseadas em gráfico de recorrência, markov transition field e self-similarity matrix. As matrizes 2D foram utilizadas como entrada para as redes convolucionais ResNet-50 e EfficientNet. Nesse estudo, foi investigado o impacto da otimização das camadas totalmente conectadas dessas estruturas. Finalmente, os modelos ensemble learning dos classificadores com a regra da soma foram aplicados aos conjuntos de dados. A eficiência da metodologia proposta foi analisada em um conjunto de dados composto por 74 regiões de interesse em displasia epitelial oral categorizadas entre as classes saudável, leve, moderada e grave. O método proposto utilizou a técnica de validação cruzada e obteve taxas de acurácia de até 98,6%. Essa abordagem torna-se uma ferramenta complementar para aplicação na prática clínica, auxiliando o especialista na tomada de decisão em relação à classificação das lesões |
Abstract: | Lesions in the oral cavity can be classified into different grades by specialists. However, due to workload and level of experience, this task may be subject to subjectivity. One way to assist the specialist in this task in recent years has been the use of computational systems as supplementary tools for decision-making. In this work, an approach is presented to classify lesions in the oral cavity based on descriptors obtained from fractal geometry, models of convolutional neural networks, and ensemble learning. In the first step, the gliding-box algorithm was applied to obtain local descriptors of fractal geometry in a multiresolution analysis. This attribute vector was reshaped into a 2D matrix using representations based on recurrence plot, Markov transition field, and self-similarity matrix. The 2D matrices were used as input for the ResNet-50 and EfficientNet convolutional networks. In this study, the impact of optimizing the fully connected layers of these structures was investigated. Finally, ensemble learning models of classifiers with the sum rule were applied to the datasets. The efficiency of the proposed methodology was analyzed on a dataset composed of 74 regions of interest in oral epithelial dysplasia categorized into healthy, mild, moderate, and severe classes. The proposed method used cross-validation technique and achieved accuracy rates of up to 98.6%. This approach becomes a complementary tool for application in clinical practice, aiding the specialist in decision-making regarding lesion classification. |
Keywords: | Comitês de classificadores Displasia Imagens Histológicas Redes Neurais Convolucionais Processamento Digital de Imagens Ensemble Learning Dysplasia Histological Images. Digital Image Processing Convolutional Neural Networks |
Area (s) of CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO |
Subject: | Computação Redes neurais (Computação) Fractais Boca - Câncer |
Language: | por |
Country: | Brasil |
Publisher: | Universidade Federal de Uberlândia |
Program: | Programa de Pós-graduação em Ciência da Computação |
Quote: | CARVALHO, Rafael Henrique de Oliveira. Classificação de displasia da cavidade oral baseada em descritores fractais e ensemble learning. 2024. 108 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2018. DOI http://dx.doi.org/10.14393/ufu.di.2024.5077 |
Document identifier: | http://dx.doi.org/10.14393/ufu.di.2024.5077 |
URI: | https://repositorio.ufu.br/handle/123456789/43129 |
Date of defense: | 5-Jun-2024 |
Sustainable Development Goals SDGs: | ODS::ODS 3. Saúde e bem-estar - Assegurar uma vida saudável e promover o bem-estar para todos, em todas as idades. |
Appears in Collections: | DISSERTAÇÃO - Ciência da Computação |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
ClassificaçãodeDisplasiadaCavidade.pdf Until 2026-06-05 | Dissertação | 4.22 MB | Adobe PDF | View/Open Request a copy |
This item is licensed under a Creative Commons License