Identificação e Reconhecimento de Pólipos em Imagens de Colonoscopia

Abstract

Esta dissertação apresenta um estudo comparativo entre os métodos Speeded Up Robust Features (SURF) e Scale-Invariant Feature Transform (SIFT), como métodos de obtenção de features locais, e entre um Máquina de Vetores de Suporte (SVM) e Árvores de Classificação, como método de classificação. Este estudo foi realizado no âmbito da identificação e reconhecimento de pólipos em imagens de colonoscopias. Foi aplicada uma seleção da Região de Interesse (ROI) baseada em morfologia matemática para eliminar artefactos intrínsecos do método de obtenção de imagens em colonoscopias. Complementarmente às features locais foram utilizadas features extraídas a partir da cor e da matriz de coocorrências em níveis de cinzento (GLCM).Foram realizadas várias experiências com a aplicação do método de Análise de Componentes Principais (PCA) e mostrou-se que utilizando os apenas quatro primeiros componentes principais da matriz de features se obtêm resultados suficientemente significativos para uma classificação robusta. Os métodos de classificação foram testados utilizando o método leave-one-out recorrendo a todo o conjunto de imagens disponíveis. Este trabalho conclui que o sistema com obtenção de features locais utilizando SURF é mais ágil computacionalmente e que as árvores de classificação produzem consistentemente melhores resultados no conjunto de imagens testado.

This paper presents a comparative study between Speeded Up Robust Features (SURF) and Scale-Invariant Feature Transform (SIFT) as methods for obtaining local features, and between Support Vectors Machine (SVM) and Classification Trees as classification methods. This study was conducted in the identification and recognition of polyps. A selection of the Region of Interest (ROI) based on mathematical morphology was applied to eliminate intrinsic artifacts originating from image acquisition system of the colonoscopy. In addition to the local features, features based on the image color and on the gray-level co-occurrence matrix (GLCM) were also used. Several experiments were made with the Principal Components Analysis (PCA) method and it was shown that using only the first four principal components of the feature matrix was enough for a robust classification. The classification methods were tested using the leave-one-out method through the full set of images available. This paper concludes that one system based on SURF is computationally faster and that classification trees produce consistently better results in the set of images tested.