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 github. Também 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.