Compartilhamento |
|
Use este identificador para citar ou linkar para este item:
http://bibliotecatede.uninove.br/handle/tede/3175
Tipo do documento: | Tese |
Título: | Análise da influência de compressão, escalonamento não uniforme e aumento de dados na classificação automática de micro-organismos em imagens biomédicas utilizando deep learning |
Título(s) alternativo(s): | Analysis of the influence of compression, non-uniform scaling, and data augmentation on automatic classification of micro-organisms in biomedical images using deep learning |
Autor: | Boukouvalas, Dimitria Theophanis |
Primeiro orientador: | Araújo, Sidnei Alves de |
Primeiro membro da banca: | Araújo, Sidnei Alves de |
Segundo membro da banca: | Bissaco, Marcia Aparecida Silva |
Terceiro membro da banca: | Deana, Alessandro Melo |
Quarto membro da banca: | Belan, Peterson Adriano |
Resumo: | A correta identificação e classificação de micro-organismos é uma tarefa importante pois ajuda na detecção e prevenção de surtos de doenças, rastreamento de resistência a antibióticos e monitoramento de tendências de doenças para saber se as medidas de prevenção estão funcionando. A classificação de microrganismos é feita usualmente por profissionais especializados por meio de exame visual de imagens de microscópio. Em virtude das altas taxas de erro, comuns em processos manuais, principalmente nos mais complexos, tem-se buscado tecnologias para a automatização desta tarefa visando melhorar a qualidade. Os estudos que aplicam aprendizado profundo (deep learning) na classificação de micro-organismos por meio de redes neurais convolucionais (RNC) vêm apresentando bons resultados, no entanto, não foram encontrados estudos na literatura que mostrem a influência de fatores como compressão de imagens, escalonamento não uniforme e aumento de dados, especialmente utilizando pequenos conjuntos de imagens de micro-organismos, no desempenho das RNCs. Em vista disto, o objetivo desta pesquisa é analisar a influência de tais fatores realizando experimentos com as arquiteturas de RNC AlexNet e DenseNet-121, que já demonstraram bons resultados em outras pesquisas neste tema. Os resultados obtidos nos experimentos conduzidos permitiram evidenciar que alguns fatores, tais como o tipo de compressão de dados utilizado e o escalonamento não uniforme aplicado nas imagens afetam negativamente o desempenho das RNCs, enquanto o aumento de dados utilizando técnicas de processamento de imagens como espelhamento, rotação e adição de ruído melhoram a performance das RNCs. Não obstante, o uso dos conjuntos de treinamento criados a partir desse conhecimento e o emprego dos parâmetros de configuração das RNCs otimizados permitiram obter acurácias de 98,61% com AlexNet e 99,82% com DenseNet-121, os quais são superiores àqueles relatados no estado da arte. Assim, esta pesquisa pode auxiliar na redução do tempo de preparo do dataset e do treinamento de RNCs, reduzindo o custo computacional e aumentando a consistência e a acurácia da identificação dos micro-organismos. |
Abstract: | Correct identification and classification of microorganisms is an important task as it helps in detecting and preventing disease outbreaks, tracking antibiotic resistance, and monitoring disease trends to see if prevention measures are working. Usually, specialized professionals are responsible for the classification of microorganisms through visual examination of microscope images. Due to the high error rates, common in manual processes, especially in the most complex ones, one way to improve quality is through the automation of this task using new technologies. Studies that apply deep learning to classify microorganisms through convolutional neural networks (CNN) have been showing good results, however, no studies in the literature on this subject show the influence of factors such as image compression, non-uniform data scaling, and data augmentation, especially using small sets of microorganism images, in the performance of CNNs. In view of this, the objective of this research is to analyze the influence of such factors by carrying out experiments with the AlexNet and DenseNet-121 CNN architectures, which have already shown good results in other research on this topic. The results obtained in the conducted experiments showed that some factors, such as the type of data compression used and the non-uniform scaling applied to the images negatively affect the performance of the CNNs, while the increase of data using image processing techniques such as mirroring, rotation and noise injection improve the performance of CNNs. Nevertheless, the use of training sets created from this knowledge and the use of optimized configuration parameters of the CNNs allowed obtaining accuracies of 98.61% with AlexNet and 99.82% with DenseNet-121, which are higher than those reported in the state of the art. Thus, this research can help reduce dataset preparation time and RNC training, reducing the computational cost and increasing the consistency and accuracy of microorganism identification. |
Palavras-chave: | redes neurais convolucionais aprendizado profundo classificação de micro-organismos alexnet densenet-121 aumento de dados convolutional neural networks deep learning classification of microorganisms alexnet densenet-121 data augmentation |
Área(s) do CNPq: | CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO |
Idioma: | por |
País: | Brasil |
Instituição: | Universidade Nove de Julho |
Sigla da instituição: | UNINOVE |
Departamento: | Informática |
Programa: | Programa de Pós-Graduação em Informática e Gestão do Conhecimento |
Citação: | Boukouvalas, Dimitria Theophanis. Análise da influência de compressão, escalonamento não uniforme e aumento de dados na classificação automática de micro-organismos em imagens biomédicas utilizando deep learning. 2022. 128 f. Tese( Programa de Pós-Graduação em Informática e Gestão do Conhecimento) - Universidade Nove de Julho, São Paulo. |
Tipo de acesso: | Acesso Aberto |
URI: | http://bibliotecatede.uninove.br/handle/tede/3175 |
Data de defesa: | 29-Nov-2022 |
Aparece nas coleções: | Programa de Pós-Graduação em Informática e Gestão do Conhecimento |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Dimitria Theophanis Boukouvalas.pdf | Dimitria Theophanis Boukouvalas | 2,9 MB | Adobe PDF | Baixar/Abrir Pré-Visualizar |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.