Do Lógico ao Abstrato: A Ciência no Cotidiano
24 a 26 de outubro de 2017
Trabalho 9188
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Informações geográficas, processamento de imagens e planejamento do espaço |
| Setor | Instituto de Ciências Exatas e Tecnológicas |
| Bolsa | PIBIC/CNPq |
| Conclusão de bolsa | Não |
| Apoio financeiro | CAPES, CNPq |
| Primeiro autor | ROBSON DE SOUZA VIEIRA |
| Orientador | MURILO COELHO NALDI |
| Título | Agrupamento de dados na segmentação de células de imagens de microscopia |
| Resumo | Ao longo dos anos, o setor de saúde vem gerando grandes quantidades de dados (registros médicos), geralmente de forma impressa. Nos Estados Unidos, devido a requisitos obrigatórios e visando uma melhoria da qualidade de prestação de serviços de saúde esses registros estão sendo digitalizados. Estima-se que em breve somente o sistema de saúde dos EUA atingirá a escala de zettaby- tes, sendo esses registros eletrônicos de saúde (EHR) compostos por anotações e imagens Técnicas de processamento de imagem tem sido utilizas para automatizar testes de diagnósticos feitos em imagens de células de sangue,nódoa cervical, análise e preparação de cromossomos, entre outros. No processo de análise de imagem, a segmentação é uma etapa crítica, as etapas de classificação e interpretação dependem de uma boa segmentação para gerar bons resultados e diagnósticos corretos. Para nós seres humanos a tarefa de agrupar objetos em grupos ou classes é algo que fazemos de forma relativamente fácil. Ao apreciar uma paisagem em uma fotografia conseguimos identificar os objetos que a compõem, como árvores, pessoas animais, o céu e osdemais objetos. Na tentativa de automatizar essa tarefa que os seres humanos fazem de forma tão simples, foram desenvolvidos algorítimos capazes de identificar esses objetos. Neste trabalho, utilizamos dois algoritmos de agrupamento para segmentar imagens de microscopia, são eles: K-means e o Mean Shift, juntamente com a plataforma de processamento paralelo e distribuído Spark. Em nossa metodologia utilizamos os algoritmos em conjunto juntamente com a plataforma Spark a fim de reduzir a complexidade computacional do algoritmo Mean Shift, que é quadrática. Com o intuito de diminuir a complexidade computacional do algoritmo Mean Shift, utilizamos primeiramente o algoritmo K-means para fazer uma super segmentação, utilizando um valor de centróides iniciais (k) elevado. Aṕos a ultilização do k-means, utilizamos o algoritmo Mean Shift, porém utilizando os centroides finais gerados pelos k-means e a quantidade de pontos que o centroide representa. Para validação dos resultados utilizamos os indices externos Jaccard e Rand. |
| Palavras-chave | Agrupamento de dados, K-means, Mean Shift |
| Forma de apresentação..... | Painel, Oral |