Documento assinado eletronicamente por Marcelo Zanchetta do Nascimento, Professor(a) do Magistério Superior, em 29/08/2019, às 10:33, conforme horário oficial de Brasília, com fundamento no art. 6º, § 1º, do Decreto nº 8.539, de 8 de outubro de 2015. Documento assinado eletronicamente por Rodrigo Pereira Ramos, Usuário Externo, em 09/09/2019, às 09:08, conforme horário oficial de Brasília, com fundamento no art. 6º, § 1º, do Decreto nº 8.539, de 8 de outubro de 2015. A autenticidade deste

more »

... nto pode ser conferida no site https://www.sei.ufu.br/sei/controlador_externo.php? acao=documento_conferir&id_orgao_acesso_externo=0, informando o código verificador 1500637 e o código CRC E3FE9775. Referência: Processo nº 23117.076575/2019-18 SEI nº 1500637 Dedico este trabalho aos meus pais, que sempre acreditaram em mim. Agradecimentos Agradeço ao meu orientador, Marcelo Zanchetta do Nascimento, pelos ensinamentos, paciência, conĄança em meu trabalho e por me motivar nos momentos em que eu duvidei de minha capacidade. Agradeço também ao professor Paulo Rogério de Faria pelo conhecimento transmitido em muitos momentos e por toda a ajuda ao longo do desenvolvimento deste trabalho. Ao professor Alessandro Santana Martins pelas contribuições e ajuda na etapa de classiĄcação das lesões. Aos professores da Faculdade de Computação da Universidade Federal de Uberlândia, com quem tive a oportunidade de expandir áreas do meu conhecimento e que auxiliaram este projeto. Agradeço o apoio Ąnanceiro do Conselho Nacional de Desenvolvimento Ci-entíĄco e Tecnológico -CNPq (Projetos: 304848/2018-2, 430965/2018-4 e 313365/2018-0) e da Fundação de Amparo à Pesquisa do Estado de Minas Gerais -FAPEMIG (Projeto: APQ-00578-18). O presente trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior -Brasil (CAPES) -Código de Financiamento 001. Aos amigos que Ąz no Laboratório Interdisciplinar de Processamento e Análise de Imagens (LIPAI) pelo auxílio em muitos momentos deste projeto, em especial a Thaína e o Guilherme. Aos amigos que Ąz no Laboratório de Inovações em Tecnologias Digitais (LITeD) pela ajuda oferecida e pelos momentos de risos. Aos amigos que Ąz em Uberlândia por estarem ao meu lado em todos os momentos, sejam eles momentos difíceis, de tristeza, de felicidade ou de comemoração, em especial ao Guilherme Orpheu. À minha família, que sempre me apoiou em todos os momentos da minha vida, em especial aos meus pais e ao meu irmão, que me motivaram e auxiliaram em todos os momentos. Agradeço especialmente ao meu primo Caio pelo auxílio com este projeto e pelos equipamentos emprestados que foram essenciais para a conclusão deste trabalho. Por Ąm, agradeço à Camila Bella, minha namorada que, nos últimos dez anos, tem sido minha companheira, amiga e minha fonte de motivação e inspiração. Resumo Nos últimos anos, o uso de sistemas computacionais como ferramenta para auxílio em diagnósticos vem mostrando grande crescimento em aplicações voltadas à análise de tecidos histológicos. Algoritmos computacionais são utilizados por permitir a extração de informações que possibilitem a quantiĄcação de lesões. Isso simpliĄca o processo de diagnóstico manual realizado por especialista, que demanda muito tempo, energia e é sujeito a fatores de subjetividade. Com o objetivo de aprimorar o processo de diagnóstico de displasias orais, este trabalho propõe um método para segmentação e classiĄcação de estruturas nucleares presentes em imagens de tecidos histológicos. O método proposto é dividido nas etapas de segmentação, pós-processamento, extração de características e classiĄcação. Na etapa de segmentação, a rede neural Mask R-CNN foi utilizada para identiĄcar informações signiĄcantes para separar núcleos celulares de região de fundo. Na etapa de pós-processamento, operações de dilatação, preenchimento de regiões e erosão foram utilizadas para preencher regiões de núcleo incompletas e remover ruídos remanescentes da segmentação. Na etapa de extração de características, atributos de textura e morfologia foram extraídos dos núcleos das imagens. Por Ąm, um algoritmo classiĄcador polinomial foi utilizado para classiĄcar as imagens entre tecido saudável, displasia leve, displasia moderada e displasia severa. Os resultados obtidos foram comparados com o padrão-ouro gerado por um especialista e com outros métodos presentes na literatura. O método obteve acurácia de 89,52% na fase de segmentação dos componentes nucleares, sendo esse valor 14% maior do que outros métodos. Durante a etapa de classiĄcação, o método de classiĄcação obteve um valor de área sob a curva ROC igual a 0,92, um valor 6,5% mais alto do que outros métodos. O método obteve resultados mais relevantes em relação a outros métodos presentes na literatura, mostrando que pode ser utilizado por especialistas da área da saúde como uma ferramenta para estudo de lesões pré-câncer. Abstract In recent years, the use of computer systems as a tool for diagnostic assistance has shown signiĄcant growth in applications aimed at histological tissues analysis. Computational algorithms are used to extract information that allows the quantiĄcation of lesions. This simpliĄes the manual diagnostic process performed by a specialist, which requires a lot of time, energy and is subject to subjectivity factors. In order to improve the diagnostic process of oral dysplasias, this work proposes a method for segmentation and classiĄcation of nuclear structures present in images of histological tissues. The proposed method is divided into the stages of segmentation, post-processing, feature extraction and classiĄcation. In the segmentation stage, the neural network Mask R-CNN was used to identify signiĄcant information to separate cell nuclei from background region. In the post-processing stage, dilation, region Ąlling, and erosion operations were used to Ąll incomplete nuclei regions and remove remaining noise from the segmentation stage. In the feature extraction stage, texture and morphologic attributes were extracted from the images nuclei. Finally, a polynomial classiĄer algorithm was used to classify the images among healthy tissue, mild dysplasia, moderate dysplasia and severe dysplasia. The obtained results were compared with the groundtruth generated by a specialist and with other methods present in literature. The method obtained accuracy of 89.52% in the segmentation of the nuclear components, which is 14% higher than other methods. During the classiĄcation stage, the classiĄcation method obtained a value of area under the ROC curve of 0.92, a value 6.5% higher than other methods. The method obtained results more relevant than other methods in literature, showing that it can be used by health specialists as a tool to study pre-cancer lesions.