ࡱ> *,)gbjbjUU =??gNN  ^J`Z.0^0^N W:Resumo O cncer de mama o tipo de cncer que mais ocorre em mulheres no mundo, sendo que a deteco precoce um fator essencial para um melhor prognstico. Atualmente, no existe um exame diagnstico por imagem que possa detectar todas as doenas da mama em 100% dos casos, o que justifica a proposta de uma pesquisa por novos exames como a termografia. Neste sentido, esta tese prope modelos de classificao do estado clnico da mama (sem doena, tumor benigno, cncer e cisto) utilizando aprendizado de mquina e caractersticas extradas segundo uma abordagem geomtrica conhecida como padres ternrios locais (do ingls Local Ternary Pattern, LTP). As classificaes foram realizadas por comparaes binrias (usando duas classes por vez) objetivando chegar-se mais prximo ao que seria desejado em um sistema de Diagnstico Auxiliado pelo Computador. Para chegar ao modelo de classificao esperado, implementou-se dois algoritmos genticos, um para seleo de modelos preliminares e outro para seleo de atributos. Na seleo de modelos, apenas as configuraes dos melhores dez modelos foram transferidas para a fase seguinte que gerou o melhor modelo treinado para cada conjunto de amostras. Foram utilizadas imagens adquiridas no Hospital das Clnicas pelo Departamento de Engenharia Mecnica da Universidade Federal de Pernambuco, em Recife/PE, e imagens adquiridas no Hospital Antnio Pedro pelo grupo de pesquisa VisualLab do Instituto de Computao da Universidade Federal Fluminense, em Niteri/RJ. Todas as imagens foram segmentadas de duas formas, com e sem os braos. Os resultados so promissores apresentando valores para o conjunto total de diagnsticos possveis de rea abaixo da curva (AUC) superiores a 86,76%. Para a classificao entre normal x maligno o melhor resultado alcanado foi de 97,91% de AUC. Palavras-chave: termografia; cncer; anlise de imagens v -./>fgǶլ'h}h\5B*OJQJ\^Jphh\OJQJ^J!h\6B*OJQJ]^Jphh\B*OJQJ^Jph#h\B*CJ2OJQJ^JaJ2ph/h\56B*CJ2OJQJ\]^JaJ2ph ./g$a$;0P:p^. A!n"n#n$n% Dpn  666666666666666 666666666666666666666666666 6666666666 666666666666 6666666666666666666666666666666666666666666666666666666666666666662 0@P`p2( 0@P`p 0@P`p 0@P`p 0@P`p 0@P`p 0@P`p8XV~$OJPJQJ^J_HmHnHsHtHH`H ^Normal CJ^J_HaJmHnHsHtHDA D 0Default Paragraph FontRiR 0 Table Normal4 l4a (k ( 0No List J>J ^0Title $xCJOJ PJ QJ ^J aJV/V Aa Title Char*5CJ KHOJ PJQJ \^JaJ nHtH8B8 ^0 Body Text d H/!H Aa0Body Text CharCJ^JaJnHtH$/2$ ^0List<"B< ^0Caption  $xx6],R, ^0ndice $PK![Content_Types].xmlj0Eжr(΢Iw},-j4 wP-t#bΙ{UTU^hd}㨫)*1P' ^W0)T9<l#$yi};~@(Hu* Dנz/0ǰ $ X3aZ,D0j~3߶b~i>3\`?/[G\!-Rk.sԻ..a濭?PK!֧6 _rels/.relsj0 }Q%v/C/}(h"O = C?hv=Ʌ%[xp{۵_Pѣ<1H0ORBdJE4b$q_6LR7`0̞O,En7Lib/SeеPK!kytheme/theme/themeManager.xml M @}w7c(EbˮCAǠҟ7՛K Y, e.|,H,lxɴIsQ}#Ր ֵ+!,^$j=GW)E+& 8PK!Ptheme/theme/theme1.xmlYOo6w toc'vuر-MniP@I}úama[إ4:lЯGRX^6؊>$ !)O^rC$y@/yH*񄴽)޵߻UDb`}"qۋJחX^)I`nEp)liV[]1M<OP6r=zgbIguSebORD۫qu gZo~ٺlAplxpT0+[}`jzAV2Fi@qv֬5\|ʜ̭NleXdsjcs7f W+Ն7`g ȘJj|h(KD- dXiJ؇(x$( :;˹! I_TS 1?E??ZBΪmU/?~xY'y5g&΋/ɋ>GMGeD3Vq%'#q$8K)fw9:ĵ x}rxwr:\TZaG*y8IjbRc|XŻǿI u3KGnD1NIBs RuK>V.EL+M2#'fi ~V vl{u8zH *:(W☕ ~JTe\O*tHGHY}KNP*ݾ˦TѼ9/#A7qZ$*c?qUnwN%Oi4 =3ڗP 1Pm \\9Mؓ2aD];Yt\[x]}Wr|]g- eW )6-rCSj id DЇAΜIqbJ#x꺃 6k#ASh&ʌt(Q%p%m&]caSl=X\P1Mh9MVdDAaVB[݈fJíP|8 քAV^f Hn- "d>znNJ ة>b&2vKyϼD:,AGm\nziÙ.uχYC6OMf3or$5NHT[XF64T,ќM0E)`#5XY`פ;%1U٥m;R>QD DcpU'&LE/pm%]8firS4d 7y\`JnίI R3U~7+׸#m qBiDi*L69mY&iHE=(K&N!V.KeLDĕ{D vEꦚdeNƟe(MN9ߜR6&3(a/DUz<{ˊYȳV)9Z[4^n5!J?Q3eBoCM m<.vpIYfZY_p[=al-Y}Nc͙ŋ4vfavl'SA8|*u{-ߟ0%M07%<ҍPK! ѐ'theme/theme/_rels/themeManager.xml.relsM 0wooӺ&݈Э5 6?$Q ,.aic21h:qm@RN;d`o7gK(M&$R(.1r'JЊT8V"AȻHu}|$b{P8g/]QAsم(#L[PK-![Content_Types].xmlPK-!֧6 +_rels/.relsPK-!kytheme/theme/themeManager.xmlPK-!Ptheme/theme/theme1.xmlPK-! ѐ' theme/theme/_rels/themeManager.xml.relsPK] ggg }Zq\^