Repository logo
 
Publication

Aplicação de máquinas de vector suporte para classificação de ratos transgénicos através de imagem da retina

2020-07-22Master thesis Open access
Simple item page
datacite.subject.sdg04:Educação de Qualidadept_PT
datacite.subject.sdg09:Indústria, Inovação e Infraestruturaspt_PT
dc.contributor.advisorSerranho, Pedro
dc.contributor.advisorBernardes, Rui Manuel Dias Cortesão dos Santos
dc.contributor.authorValentim, Érick Braga
dc.date.accessioned2020-09-11T13:22:01Z
dc.date.available2020-09-11T13:22:01Z
dc.date.issued2020-07-22
dc.date.submitted2020-09-11
dc.description.abstractO objetivo deste trabalho consistiu na criação de modelos de aprendizagem supervisionada baseados nas técnicas de Support Vector Machine (SVM) e Support Vector Machine com informação privilegiada (SVM+) capazes de distinguir entre ratos saudáveis (C) e transgénicos (D) por meio de análise de textura da imagem de tomografia de coerência óptica (OCT) de retinas do olho direito. A amostra é composta por 74 ratos, sendo 40 saudáveis e 34 transgénicos. A tomografia de coerência óptica foi utilizada para obtenção da imagem da retina dos ratos que, por sua vez, foi dividida em 4 quadrantes. A partir destes, obteve-se uma imagem de fundo 2D e foram aplicados 20 indicadores de análise de textura de imagem de fundo, usados como features para o modelo SVM. As features com maior capacidade de separação entre grupos e que possuem coeficiente de correlação inferior a 0,7 entre elas foram Inertia (primeiro, segundo e quarto quadrantes), INN (Inverse difference normalized; terceiro quadrante), IMC2 (Information measure of correlation; terceiro quadrante) e ClusterShade (terceiro quadrante). Considerando as 6 features mais relevantes foram criados os modelos SVM e SVM+ cujos parâmetros foram afinados de maneira a obter os modelos com a melhor precisão na classificação dos ratos nas categorias saudável e transgénico. A técnica de validação cruzada em 5 grupos foi utilizada para validar os resultados dos modelos criados. Tanto para o conjunto de teste como para o conjunto de dados total o modelo SVM obteve 100% precisão, enquanto que a precisão obtida pelo modelo SVM+ foi de 93,33% (erro de apenas 1 caso em 15 – conjunto de teste) na classificação dos dados do conjunto de teste e 98,65% (erro de apenas 1 caso em 74 – conjunto de dados total) no conjunto de dados total.pt_PT
dc.description.abstractThe aim of this work was to create supervised learning models based on the Support Vector Machine (SVM) and Support Vector Machine with privileged information (SVM +) capable of distinguishing between healthy (C) and transgenic (D) mice through texture analysis of the optical coherence tomography (OCT) image of the retinas of the right eye. The sample consists of 74 mice, 40 healthy and 34 transgenic. Optical coherence tomography was used to obtain the image of the mice's retina, which in turn was divided into 4 quadrants. From these, a 2D background image was obtained and 20 background image texture analysis indicators were applied, used as features for the SVM model. The features with greater separation capacity between groups and which have a less than 0.7 correlation coefficient between each other were Inertia (first, second and fourth quadrants), INN (Inverse difference normalized; third quadrant), IMC2 (Information measure of correlation; third quadrant) and ClusterShade (third quadrant). Regarding the 6 most relevant features, the SVM and SVM + models were created, whose parameters were adjusted in order to obtain the models with the best precision in the classification of mice in the healthy and transgenic categories. The 5 fold crossvalidation technique was used to validate the results of the models created. For both, the test set and the total data set, the SVM model obtained 100% accuracy, while the precision obtained by the SVM + model was 93.33% (error of only 1 case in 15 - test set) in the classification of the test set data and 98.65% (error of only 1 case in 74 - total data set) in the total data set.pt_PT
dc.identifier.tid202521583
dc.identifier.urihttp://hdl.handle.net/10400.2/9997
dc.language.isoporpt_PT
dc.subjectModelos de aprendizagem supervisionadapt_PT
dc.subjectSVM (Support Vector Machines)pt_PT
dc.subjectSVM+pt_PT
dc.subjectTomografiapt_PT
dc.subjectImagempt_PT
dc.subjectRetinapt_PT
dc.subjectValidação cruzadapt_PT
dc.subjectFeaturespt_PT
dc.subjectSupervised learning modelspt_PT
dc.subjectSVMpt_PT
dc.subjectSVM+pt_PT
dc.subjectCross-validationpt_PT
dc.subjectFeaturespt_PT
dc.titleAplicação de máquinas de vector suporte para classificação de ratos transgénicos através de imagem da retinapt_PT
dc.typemaster thesis
dspace.entity.typePublication
oaire.awardURIinfo:eu-repo/grantAgreement/FCT/9471 - RIDTI/PTDC%2FEMD-EMD%2F28039%2F2017/PT
oaire.fundingStream9471 - RIDTI
project.funder.identifierhttp://doi.org/10.13039/501100001871
project.funder.nameFundação para a Ciência e a Tecnologia
rcaap.rightsopenAccesspt_PT
rcaap.typemasterThesispt_PT
relation.isProjectOfPublicationb0c2b14e-b86d-4c84-86cf-7e10c1d42cfd
relation.isProjectOfPublication.latestForDiscoveryb0c2b14e-b86d-4c84-86cf-7e10c1d42cfd
thesis.degree.nameDissertação de Mestrado em Estatística, Matemática e Computação apresentada à Universidade Abertapt_PT

Files

Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
TMEMC_ErickValentim.pdf
Size:
459.71 KB
Format:
Adobe Portable Document Format
Download

Collections

Mestrado em Estatística, Matemática e Computação | Master's Degree in Statistics, Mathematics and Computation - TMEMC