Please use this identifier to cite or link to this item: http://www.monografias.ufop.br/handle/35400000/3075
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorBianchi, Andrea Gomes Campospt_BR
dc.contributor.advisorCarneiro, Cláudia Martinspt_BR
dc.contributor.authorIsidoro, Douglas Wender Antunes-
dc.date.accessioned2021-05-06T17:13:27Z-
dc.date.available2021-05-06T17:13:27Z-
dc.date.issued2021pt_BR
dc.identifier.citationISIDORO, Douglas Wender Antunes. Classificação automática de recortes de células cervicais baseada em características não geométricas. 2021. 34 f. Monografia (Graduação em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2021.pt_BR
dc.identifier.urihttp://www.monografias.ufop.br/handle/35400000/3075-
dc.description.abstractA tecnologia aqui proposta visa possibilitar a análise de amostras de células cervicais de exames de Papanicolaou por metodologias baseadas em aprendizagem de máquina e inteligência computacional. Apresenta-se uma ferramenta computacional para a classificação eficiente de células cervicais baseada em características não geométricas extraídas de áreas nucleares de interesse e ignorando as características relativas ao citoplasma. Essa abordagem baseia-se na hipótese de que os núcleos celulares armazenam grande parte da informação sobre as lesões pré-neoplásicas, além de suas áreas serem mais visíveis mesmo com alto nível de sobreposição celular, fato comum nas imagens de exames de Papanicolaou. Foram utilizados algoritmos de aprendizado supervisionado para o desenvolvimento de um sistema de classificação em duas e três classes. Os experimentos utilizaram, para treinamento e testes, 400 imagens reais de citologia convencional do exame de Papanicolaou obtidas em uma base de dados construída pela equipe de pesquisa. Os resultados demonstraram alto desempenho na classificação com 92,3% de F1 para o sistema de 3 classes e 89,5% de F1 para o sistema de 2 classes. Além disso o sistema também apresenta alta eficiência para aplicabilidade em ambientes realísticos tanto computacionais quando biológicos. A tecnologia poderá auxiliar e melhorar a qualidade dos exames feitos pelos laboratórios, proporcionando maior confiabilidade, efetividade e equidade nos resultados.pt_BR
dc.language.isopt_BRpt_BR
dc.subjectReconhecimento de padrõespt_BR
dc.subjectCaracterísticas de texturapt_BR
dc.subjectCélula cervicalpt_BR
dc.subjectClassificaçãopt_BR
dc.subjectEsfregaço de Papanicolaoupt_BR
dc.titleClassificação automática de recortes de células cervicais baseada em características não geométricas.pt_BR
dc.typeTCC-Graduaçãopt_BR
dc.contributor.refereeBianchi, Andrea Gomes Campospt_BR
dc.contributor.refereeCarneiro, Cláudia Martinspt_BR
dc.contributor.refereeAssis, Guilherme Tavares dept_BR
dc.contributor.refereeCoelho, Dayanne Gouveiapt_BR
dc.description.abstractenThe technology proposed here aims to enable the analysis of cervical cell samples from Papanicolaou exams by methodologies based on machine learning and computational intelligence. A computational tool is presented for the efficient classification of cervical cells based on non-geometric characteristics extracted from nuclear areas of interest and ignoring the characteristics related to the cytoplasm. This approach is based on the hypothesis that cell nuclei store much of the information on pre-neoplastic lesions, in addition to their areas being more visible even with a high level of cell overlap, a fact common in Pap smear images. Supervised learning algorithms were used to develop a classification system in two and three classes. The experiments used, for training and tests, 400 real images of conventional cytology of the Pap smear obtained in a database built by the research team. The results showed high performance in the classification with 92.3% of F1 for the 3-class system and 89.5% of F1 for the 2-class system. In addition, the system also presents high efficiency for applicability in realistic environments, both computational and biological. The technology can assist and improve the quality of the tests performed by the laboratories, providing greater reliability, effectiveness and equity in the results.pt_BR
dc.contributor.authorID16.1.4174pt_BR
Appears in Collections:Ciência da Computação

Files in This Item:
File Description SizeFormat 
MONOGRAFIA_ClassificaçãoAutomáticaRecortes.pdf1,83 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons