Estudo e implementação de algoritmos de aprendizagem de máquina supervisionado aplicados no Diagnóstico por imagens de Patologias Renais
Resumo
Este artigo propõe uma aplicação de algoritmos de aprendizagem de máquina supervisionado para classificar diagnósticos de patologias renais. Através do algoritmo floresta aleatória, foi criado dois classificadores que são capazes de rotular um caso entre 5 grupos de diagnósticos, eles se diferem no uso ou não de atributos extraídos de imagens. Devido à menor quantidade de imagens em relação aos registros de treinamento, usar apenas aqueles com imagens correspondentes gerou uma menor acurácia no resultado, 77.47%, enquanto usar os dados em sua totalidade gerou 82.26%.
Referências
BOENTE, A.N.P; GOLDSCHIMIDT, R.R; ESTRELA, V.V. Uma metodologia de suporte ão processo de conhecimento em bases de dados. In: SIMPóSIO DE EXCELÊNCIA EM GESTÃO E TECNOLOGIA, 5., 2008. [Resende]. Anais eletrônicos [...]. Resende: AEDB Disponível em: https://www.boente.eti.br/publica/seget2008kdd.pdf . Acesso em: 19 fev. 2020.
BREIMAN, L. Random Forest. Machine Learning, Países Baixos, v. 45, n. 1, out. 2001. Disponível em: https://link.springer.com/article/10.1023/A:1010933404324 . Acesso em: 17 jun. 2020.
FAYYAD, U. M.; PIATETSKY-SHAPIRO, G.; SMYTH, P. (1996). From Data Mining to Knowledge in Databases. AI Magazine, [Menlo Park], v.17, n.3, mar. 1996. Disponível em: https://www.aaai.org/ojs/index.php/aimagazine/article/view/1230 . Acesso em: 19 fev. 2020.
GEBEGES, A.; HUERTAS, R. Texture Characterization based on Grey-Level Co-occurrence Matrix. In: Conference of Informatics and Management Sciences, 2., 2013, Žilina, Anais eletrônicos [...]. Žilina: University of Žilina. Disponível em: https://www.academia.edu/29807532/Texture_Characterization_based_on_Grey-Level_Co-occurrence_Matrix . Acesso em: 17 jun. 2020.
GÉRON, A. Hands-On Machine Learning with Scikit-Learn and TensorFlow: CONCEPTS, TOOLS, AND TECHNIQUES TO BUILD INTELLIGENT SYSTEMS. 1st ed. Sebastopol: O’Reilly Media, 2017.
GOLDSCHMIDT, R. R.; PASSOS, E. Data Mining: Um Guia Prático. Rio de Janeiro: Elsevier, 2005.
GONZALEZ, R. C.; WOODS, R. E. PROCESSAMENTO DIGITAL DE IMAGENS. 3. ed. Tradução Cristina Yamagami, Leonardo Piamonte. São Paulo: Pearson Education, 2010. Título original: Digital image processing.
HAN, J.; KAMBER, M.; PEI, J. DATA MINING: Concepts and Techniques. 3rd ed. Waltham: Elsevier, 2012.
HARALICK, R.M.; SHANMUGAM, K.; DINSTEIN, I. Textural Features for Image Classification. IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS, [s. l.], v.3, n.6, Nov, 1973. Disponível em: https://ieeexplore.ieee.org/document/4309314 . Acesso em: 11 fev. 2020.
SCIKIT-LEARN DEVELOPERS. Metrics and scoring: quantifying the quality of prediction. In: User Guide, [entre 2007 e 2019]. Disponível em: https://scikit-learn.org/stable/modules/model_evaluation.html . Acesso em: 26 de jun. 2020.
BREIMAN, L. Random Forest. Machine Learning, Países Baixos, v. 45, n. 1, out. 2001. Disponível em: https://link.springer.com/article/10.1023/A:1010933404324 . Acesso em: 17 jun. 2020.
FAYYAD, U. M.; PIATETSKY-SHAPIRO, G.; SMYTH, P. (1996). From Data Mining to Knowledge in Databases. AI Magazine, [Menlo Park], v.17, n.3, mar. 1996. Disponível em: https://www.aaai.org/ojs/index.php/aimagazine/article/view/1230 . Acesso em: 19 fev. 2020.
GEBEGES, A.; HUERTAS, R. Texture Characterization based on Grey-Level Co-occurrence Matrix. In: Conference of Informatics and Management Sciences, 2., 2013, Žilina, Anais eletrônicos [...]. Žilina: University of Žilina. Disponível em: https://www.academia.edu/29807532/Texture_Characterization_based_on_Grey-Level_Co-occurrence_Matrix . Acesso em: 17 jun. 2020.
GÉRON, A. Hands-On Machine Learning with Scikit-Learn and TensorFlow: CONCEPTS, TOOLS, AND TECHNIQUES TO BUILD INTELLIGENT SYSTEMS. 1st ed. Sebastopol: O’Reilly Media, 2017.
GOLDSCHMIDT, R. R.; PASSOS, E. Data Mining: Um Guia Prático. Rio de Janeiro: Elsevier, 2005.
GONZALEZ, R. C.; WOODS, R. E. PROCESSAMENTO DIGITAL DE IMAGENS. 3. ed. Tradução Cristina Yamagami, Leonardo Piamonte. São Paulo: Pearson Education, 2010. Título original: Digital image processing.
HAN, J.; KAMBER, M.; PEI, J. DATA MINING: Concepts and Techniques. 3rd ed. Waltham: Elsevier, 2012.
HARALICK, R.M.; SHANMUGAM, K.; DINSTEIN, I. Textural Features for Image Classification. IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS, [s. l.], v.3, n.6, Nov, 1973. Disponível em: https://ieeexplore.ieee.org/document/4309314 . Acesso em: 11 fev. 2020.
SCIKIT-LEARN DEVELOPERS. Metrics and scoring: quantifying the quality of prediction. In: User Guide, [entre 2007 e 2019]. Disponível em: https://scikit-learn.org/stable/modules/model_evaluation.html . Acesso em: 26 de jun. 2020.
Publicado
10/09/2020
Como Citar
DA SILVA, Pedro; BASÍLIO, Arthur; MACHADO, Vinícius; ALDEMANN, Nayze.
Estudo e implementação de algoritmos de aprendizagem de máquina supervisionado aplicados no Diagnóstico por imagens de Patologias Renais. In: ESCOLA REGIONAL DE COMPUTAÇÃO DO CEARÁ, MARANHÃO E PIAUÍ (ERCEMAPI), 8. , 2020, Evento Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2020
.
p. 133-140.
DOI: https://doi.org/10.5753/ercemapi.2020.11477.
