Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Federal de Uberlândia (UFU) | - |
Autor(es): dc.contributor | FC | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (Unesp) | - |
Autor(es): dc.creator | Roberto, Guilherme Freire | - |
Autor(es): dc.creator | Lumini, Alessandra | - |
Autor(es): dc.creator | Neves, Leandro Alves [UNESP] | - |
Autor(es): dc.creator | do Nascimento, Marcelo Zanchetta | - |
Data de aceite: dc.date.accessioned | 2022-02-22T00:47:42Z | - |
Data de disponibilização: dc.date.available | 2022-02-22T00:47:42Z | - |
Data de envio: dc.date.issued | 2021-06-25 | - |
Data de envio: dc.date.issued | 2021-06-25 | - |
Data de envio: dc.date.issued | 2021-03-15 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1016/j.eswa.2020.114103 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/206637 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/206637 | - |
Descrição: dc.description | Classification of histology images is a task that has been widely explored on recent computer vision researches. The most studied approach for this task has been the application of deep learning through a convolutional neural network (CNN) model. However, the use of CNNs in the context of histological images classification has yet some limitations such as the need of large datasets, the slow training time and the difficult to implement a generalized model able to classify different types of histology tissues. In this paper, we propose an ensemble model based on handcrafted fractal features and deep learning that consists of combining the classification of two CNNs by applying the sum rule. We apply feature extraction to obtain 300 fractal features from different histological datasets. These features are reshaped into a 10×10×3 matrix to compose an artificial image that is given as input to the first CNN. The second CNN model receives as input the correspondent original image. After combining the results of both CNNs, accuracies that range from 89.66% up to 99.62% were obtained from five different datasets. Moreover, our model was able to classify images from datasets with imbalanced classes, without the need for images having the same resolution, and in relative fast training time. We also verified that the obtained results are compatible with the most recent and relevant studies recently published in the context of histology image classification. | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG) | - |
Descrição: dc.description | Faculty of Computer Science (FACOM) - Federal University of Uberlândia (UFU) Av. João Naves de Ávila 2121 BLB 38400-902 Uberlândia MG | - |
Descrição: dc.description | Department of Computer Science and Engineering (DISI) - University of Bologna Via dell'Università 50 47521 Cesena FC | - |
Descrição: dc.description | Department of Computer Science and Statistics (DCCE) São Paulo State University (UNESP) R. Cristóvão Colombo 2265 15054-000 São José do Rio Preto SP | - |
Descrição: dc.description | Department of Computer Science and Statistics (DCCE) São Paulo State University (UNESP) R. Cristóvão Colombo 2265 15054-000 São José do Rio Preto SP | - |
Descrição: dc.description | CNPq: #304848/2018-2 | - |
Descrição: dc.description | CNPq: #313365/2018-0 | - |
Descrição: dc.description | CNPq: #430965/2018-4 | - |
Descrição: dc.description | CAPES: #88882.429128/2019-01 | - |
Descrição: dc.description | FAPEMIG: #APQ-00578-18 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Expert Systems with Applications | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Classification ensemble | - |
Palavras-chave: dc.subject | Deep learning | - |
Palavras-chave: dc.subject | Fractal features | - |
Palavras-chave: dc.subject | Histology images | - |
Título: dc.title | Fractal Neural Network: A new ensemble of fractal geometry and convolutional neural networks for the classification of histology images | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: