Download da Minha Dissertação de Mestrado

Prezados, bom dia!

É com muito prazer (e alívio) que disponibilizo o link de download da minha dissertação, diretamente da biblioteca da Unicamp.

Veja também como foi a parte prática do meu mestrado, todos os código- fonte estão disponibilizados no githubTambém disponibilizo aqui a apresentação que utilizei na banca de defesa.

Resumo

O exame experimental de sudorese iodo-amido tem como objetivo auxiliar o diagnóstico de problemas no sistema nervoso, revelando áreas de anidrose e de hipoidrose por meio da reação química entre as secreções aquosas do paciente e um composto de iodo-amido. A reação acontece quando o paciente é induzido a transpirar dentro de uma câmara aquecida por um determinado período de tempo. Na sequência, um profissional da área de saúde avalia de forma visual as regiões de interesse, completando um processo que pode levar tempo e desconforto ao paciente. Dessa forma as soluções computacionais podem contribuir para a melhoria da eficácia e reduzir o tempo total de realização do exame. Neste trabalho realizou-se um estudo comparativo de técnicas de segmentação de imagens 3D de pacientes obtidas pelo dispositivo Microsoft Kinect® após a realização do exame. Foram comparadas as imagens segmentadas via K-Means e uma técnica de Crescimento de Regiões, nos modelos de cor RGB e CIELab, com imagens de referência (golden standard) produzidas por um especialista que definem a melhor segmentação possível para as regiões de anidrose e hipoidróticas. Para determinar a melhor estratégia de segmentação foram elaborados mais de cem cenários de experimentos variando os parâmetros de entrada das técnicas e modelos de cor. Ao término dos experimentos foram calculadas as métricas precisão, revocação, acurácia e medida-F para cada um dos cenários. Assim, concluiu-se que a técnica K-Means (acurácia de 93,18% para anidrose e 86,98% para anidrose e hipoidrose) e Crescimento de Regiões (com acurácia de 92,94% para anidrose e 85,12% para anidrose e hipoidrose), ambas no modelo de cor CIELab, são praticamente equivalentes. Entretanto pode-se perceber uma vantagem na segmentação via Crescimento de Regiões devido sua execução ser feita de forma não supervisionada.


Palavras-chave: Exame de Sudorese, Segmentação 3D, Crescimento de Regiões, K-Means

 

Abstract

The experimental exam of sweating iodine-starch aims to aid the diagnosis of problems in the nervous system, revealing areas of anhidrosis and hypohidrosis through the chemical reaction between the patient’s aqueous secretions and an iodine-starch compound. The reaction happens when the patient is induced to perspire inside a heated chamber for a certain period of time. Following this, a healthcare professional visually evaluates the regions of interest, and completes a process that can take time and it may be uncomfortable to the patient. In this way, the computational solutions may contribute to the improvement of the effectiveness. It also may reduce the total time of accomplishment of the examination. In this work, a comparative study of 3D image segmentation techniques of patients was made. The 3D was obtained by the Microsoft Kinect® device after the exams were made. K-Means segmented images and a Region Growing technique were compared, in the RGB and CIELab color models, to reference images (golden standard) produced by a specialist that defined the very best segmentation for the anhydrous and hypohidrotic regions. To determine the best segmentation strategy, more than one hundred experiment scenarios were elaborated by varying the input parameters of techniques and color models. At the end of the experiments, the accuracy, recall, accuracy and F-measure metrics were calculated for each of the scenarios. Thus, the K-Means technique (accuracy of 93.18% for anhidrosis and 86.98% for anhidrosis and hypohidrosis) and Region Growing (with an accuracy of 92.94% for anhidrosis and 85.12% for anhidrosis and hypohidrosis), both in the CIELab color model, are practically equivalent. However, it is possible to note an advantage in the segmentation via Region Growing, because its performance is gave in an unsupervised way

 

Obrigado,

Tiago.

Enfim, Mestre

Em algumas jornadas nunca sabemos ao certo quando será o fim.

Em toda minha trajetória durante o mestrado eu sempre tive certeza que terminaria, quando ingressei em 2013 como aluno especial eu acreditava que seria no final de 2014, mas acabei como especial neste ano também. Já em 2015, quando ingressei como regular, imaginei que seria em no final de 2016, após meu exame de qualificação.

Porém outros projetos em minha vida me forçaram a adiar para o final de 2017, onde percebi que ainda não tinha resultados suficientes, e então depois de mais um ano de trabalho, no dia 28 de Novembro essa grande etapa da minha vida se encerrou, com um grande alívio e sensação de trabalho bem feito!


Update 20/03/2019: A Biblioteca Central da Unicamp já disponibilizou minha dissertação para download, veja aqui.


Minha banca avaliadora e companheiros do grupo. Da esquerda para diteira: Prof. Paulo, meu orientador Prof. Marco Antonio, Eu, Prof. Leandro Nunes, e meus companheiros de ImageLab Roger e Pedro.

Preparação para a Defesa

Comecei a me preparar para a defesa da dissertação desde o dia da minha qualificação em Agosto de 2016. O termo defesa nos remete que haverá um ataque, logo tratei de reforçar minha apresentação com todos os conceitos mais importantes do meu trabalho e treinar, para apresentar 2 anos e meio de pesquisa em 25 minutos.

Como foi a arguição pós apresentação

Nesta parte da defesa é que acontece o “ataque”. Cada professor da banca irá fazer perguntas sobre o tema do seu trabalho e sobre conceitos.

A apresentação que Usei

Abaixo deixo a apresentação que utilizei na defesa.

Mais Posts Sobre Meu Trabalho: Problemas que tive que resolver

A Parte Prática do meu Mestrado

Olá, neste post faço um compilado das técnicas, algoritmos e códigos-fonte que utilizei no meu mestrado. Aqui está um guia da parte prática das etapas que tive que realizar. No fim deste post há links para os repositórios onde as imagens 3D estão e dos código-fonte.

Detalhes de cada Parte

  1. Instalação de Pacotes C++ no Windows com VCPKG: Point Cloud Library (PCL) e OpenCV
  2. Usando a PCL e OpenCV no Microsoft Windows com Visual Studio 2017
  3. Segmentação Manual de Nuvens de Pontos no CloudCompare
  4. Usando Crescimento de Regiões em RGB da PCL
  5. Conversão de Nuvens de Pontos de RGB para CIELab
  6. Cálculo do Precision and Recall (Precisão e Revocação) em Nuvens de Pontos

 

Repositórios

Como produto dos estudos da parte prática, foram gerados código-fonte que implementam parte da teoria estudada. Eles estão nos repositórios abaixo:

Obrigado!