Métodos de segmentação e classificação baseados em grafos para imagens de tensores de difusão do cérebro

• Processo: 12/01250-8
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Pós-Doutorado
• Vigência (Início): 01 de agosto de 2012
• Vigência (Término): 31 de julho de 2013
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Roberto de Alencar Lotufo
• Beneficiário: Leticia Rittner
• Supervisor: Oge Marques
• Instituição Sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Local de pesquisa: University of Pennsylvania, Estados Unidos
• Vinculado à bolsa: 09/17130-9 - Segmentação de imagens de tensores de difusão no contexto da morfologia matemática, BP.PD
• Assunto(s): Recuperação de imagens Diagnóstico por imagem Imagem de tensor de difusão Imagem por ressonância magnética
• Palavra(s)-Chave do Pesquisador: Análise de imagens | Classificação | Descritores | imagens de ressonância magnética | imagens de tensores de difusão | Processamento Gráfico

Resumo

Este projeto visa identificar e adaptar, se necessário, os métodos de segmentação e reconhecimento de padrões adequados para trabalhar com imagens de tensor de difusão (DTI) do cérebro. Como ponto de partida, vamos explorar métodos baseados em grafo, tais como operadores de imagem definidos no framework da Transformada Imagem Floresta (IFT) e o classificador baseado na Floresta de Caminho Ótimo (OPF), que calcula uma floresta de caminhos ótimos em um conjunto de treinamento e atribui às amostras do conjunto de testes o rótulo da raiz com a qual ela está mais fortemente conectada. Para que possamos aplicar estas técnicas em imagens por tensor de difusão (DTI), devemos investigar qual o pré-processamento necessário e os melhores atributos, métricas, funções de custo e critérios de avaliação para este tipo de imagem. Em seguida, deverão ser estudadas as configurações de classificador adequadas para esta modalidade de imagem, bem como sua forma de treinamento. Eventualmente, outras modalidades de imagem podem ser também utilizadas para gerar métodos mais robustos. Finalmente, problemas reais de segmentação e classificação baseados em DTI deverão ser abordados à luz dos atributos propostos e dos classificadores desenvolvidos, como por exemplo: classificação de tecidos cerebrais; identificação automática de lesões de substância branca; identificação de regiões de atrofia em substância branca; dentre outros. (AU)