DEFESA Nº 134

DEFESA Nº 134

 

Discente: Maria Alice Andrade Calazans

 

Título: “TÉCNICAS DE PROCESSAMENTO DIGITAL DE IMAGENS E INTELIGÊNCIA ARTIFICIAL APLICADAS AO DIAGNÓSTICO ODONTOLÓGICO”

Orientador: Prof. Dr. Francisco Madeiro Bernardino Junior.

Coorientadora: Profa. Dra. Maria de Lourdes Melo Guedes Alcoforado.

 

Examinador Interno: Prof. Dr. Carmelo José Albanez Bastos Filho(UPE) 

Examinador Externo: Prof. Dr. Juliano Bandeira Lima (UFPE)  

 

Data-hora: 15/02/2022, às 08h

Local: Formato Remoto

 

CÓDIGO DA SALA - Google meet: RESTRITO

 

Resumo do Projeto:

 

Os exames de imagem são de notória importância no auxílio ao diagnóstico no âmbito das ciências da saúde. Na odontologia, técnicas de imageamento são solicitadas de maneira corriqueira, pois, por meio das imagens, é possível verificar tecidos e ossos faciais inacessíveis no exame clínico e, a partir disso, é viável diagnosticar patologias e alterações, além de apoiar a realização de planejamento do tratamento, se necessário. Diante desse cenário, alguns dos problemas encontrados estão relacionados à sobreposição de estruturas, presença de ruídos e distorção, nos exames em duas dimensões, como o caso das radiografias panorâmicas. Além disso, a análise das imagens não é trivial, sendo muitas vezes realizada por especialistas em radiologia. A elevada demanda por imagens é motivação para o desenvolvimento de um sistema de classificação automática que possa ser usado para apoio ao diagnóstico, permitindo, por exemplo, classificar entre uma imagem com patologia ou não. Nesta dissertação é avaliada a utilização da versão modificada do algoritmo K-Means, para fins de segmentação de imagens de radiografias panorâmicas. É apresentada uma comparação com os algoritmos K-Means, Fuzzy K-Means e Morphological Chan Vese, sobre 1.500 imagens de radiografias panorâmicas, as quais são uma classe de exame solicitado rotineiramente por dentistas. Além disso, é proposto um sistema de classificação automática para detecção de lesões em dentes molares na região da maxila, utilizando 1.000 imagens de tomografias computadorizadas de feixe cônico, as quais são parte da base de dados da UFPE (Universidade Federal de Pernambuco), construída por especialistas do Departamento de Clínica e Odontologia Preventiva da UFPE, especificamente para a aplicação inédita apresentada neste trabalho para a área de odontologia. Observa-se que o algoritmo K-Means Modificado apresentou superioridade sobre as demais técnicas de segmentação consideradas. Com relação ao sistema de classificação, os resultados foram satisfatórios, atingindo valores de acurácia de cerca de 70%.

 

Palavras-chave: Segmentação de radiografias panorâmicas, K-Means Modificado, sistema de classificação automática, lesão endodôntica, deep learning.

DISPONÍVEL CALENDÁRIO ACADÊMICO PPGES 2022.1

Encontra-se disponível o Calendário Acadêmico PPGES 2022.1

 

Através dele será possível o aluno encontrar as datas de matrícula e modificação de matrícula, defesa do pré-projeto (exame de qualificação), início das aulas e outras datas importantes para o primeiro semestre do ano letivo de 2022.

 

Link do calendário: Calendário PPGES 2022.1

 

Para mais informações, entrar em contato com a secretaria do PPGES através do e-mail This email address is being protected from spambots. You need JavaScript enabled to view it. ou do telefone 3184-7570.

DEFESA N° 133

DEFESA Nº 133

 

Discente: Emilly Pereira Alves

 

Título: “MODELO HÍBRIDO NÃO LINEAR BASEADO EM APRENDIZAGEM DE MÁQUINA PARA PREVISÃO DE SÉRIES TEMPORAIS”  

Orientador: Prof. Dr. Manoel Henrique da Nóbrega Marinho.

Coorientador: Prof. Dr. Francisco Madeiro Bernardino Junior.

 

Examinador Interno: Prof. Dr. João Fausto Lorenzato de Oliveira(UPE) 

Examinador Externo: Prof. Dr. Paulo Salgado Gomes De Mattos Neto (UFPE)  

 

Data-hora: 31/01/2021, às 14h

Local: Formato Remoto

 

CÓDIGO DA SALA - Google meet: RESTRITO

 

Resumo do Projeto:

 

A previsão de séries temporais permite modelar diversos processos dinâmicos. Em se tratando de consumo de energia elétrica, a previsão desempenha um papel funda-mental, seja no planejamento do setor de distribuição, seja na estimativa individual para gerenciamento de consumo. Além disso, a previsão de consumo proporciona benefícios ambientais, por meio de controles de eficiência energética, podendo reduzir significativamente o consumo de energia global e, consequentemente, minimizando as emissões de gás carbônico. A previsão de séries temporais de consumo de energia é um problema desafiador, pois os dados apresentam padrões lineares e não lineares, além de possuírem forte dependência de variáveis externas, como temperatura e efeitos de calendário, por exemplo. Nesse cenário, modelos híbridos vêm se destacando, devido à capacidade de mapear os padrões lineares e não lineares contidos nas séries. Em se tratando do mapeamento dos padrões lineares, o modelo estatístico Autoregressive Integrated Moving Average (ARIMA), de Box-Jenkin, é amplamente utilizado, em razão de sua flexibilidade e simplicidade. No que diz respeito aos padrões não lineares, a técnica Support Vector Regression (SVR) tem mostrado resultados promissores. A predição final pode ser realizada através de uma combinação linear, somando as previsões obtidas, ou de forma não linear, em que se utiliza uma técnica de inteligência computacional. No presente trabalho propõe-se um modelo de previsão híbrido baseado em combinação não linear, utilizando ARIMA e SVR, otimizado pelo algoritmo Particle Swarm Optimization (PSO). Com a utilização de técnicas de inteligência computacional, a escolha dos parâmetros destas se torna uma etapa fundamental para melhorar a precisão das previsões, uma vez que diferentes características das bases de dados implicam diferentes conjuntos de parâmetros. Assim sendo, a abordagem proposta utiliza o PSO para seleção dos parâmetros do SVR, além de incorporar a escolha de sua topologia e do coeficiente de inércia ao modelo. As simulações foram realizadas para três conjuntos de bases de dados. O primeiro contém oito bases clássicas no cenário de previsão de séries temporais. O segundo e terceiro conjunto consistem em medições de consumo de energia elétrica de um edifício residencial localizado em Taiwan, e de um consumidor residencial atendido pela CPFL Energia, respectivamente. O desempenho da abordagem proposta foi avaliado em termos de cinco métricas: Mean Squared Error (MSE), Mean Absolute Percentage Error (MAPE), Mean Absolute Error (MAE), Percentage Difference (PD) e Coeficiente de Variação (CV). Os resultados apresentaram redução de até 89,86% no erro médio quadrático, quando comparado ao ARIMA, e até 70,31% quando comparado a outra híbrida de combinação não linear. Os resultados evidenciam a superioridade do método proposto, em termos das métricas MSE, MAE e MAPE, para a maioria das bases testadas. 

Palavras-chave: Previsão de séries temporais, modelos híbridos, previsão de consumo, ARIMA, SVR.