
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
| Autor(es): dc.contributor | Universidade Federal de Uberlândia (UFU) | - |
| Autor(es): dc.creator | Da Costa Longo, Leonardo Henrique | - |
| Autor(es): dc.creator | Do Nascimento, Marcelo Zanchetta | - |
| Autor(es): dc.creator | Roberto, Guilherme Freire | - |
| Autor(es): dc.creator | Martins, Alessandro S. | - |
| Autor(es): dc.creator | Dos Santos, Luiz Fernando Segato | - |
| Autor(es): dc.creator | Neves, Leandro Alves | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T20:10:05Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T20:10:05Z | - |
| Data de envio: dc.date.issued | 2023-03-01 | - |
| Data de envio: dc.date.issued | 2023-03-01 | - |
| Data de envio: dc.date.issued | 2021-12-31 | - |
| Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/IWSSIP55020.2022.9854465 | - |
| Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/241595 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/241595 | - |
| Descrição: dc.description | In this paper, we propose an approach to study the ensemble of handcrafted and deep learned features, as well as possible templates for associating them for the classification of histological images. The handcrafted features were calculated with fractal techniques and the deep learned features were extracted from multiple convolutional neural network architectures. The most relevant features from each ensemble, selected with a ranking algorithm, were analyzed by a heterogeneous ensemble of classifiers to avoid overfitting scenarios. The proposed method was applied in the context of histological images of breast cancer, colorectal cancer and liver tissue. The highest accuracies were values from 93.10% to 99.25%. These results allowed defining some standard templates for techniques on different kinds of histological images, for instance, the fractal descriptors when ensembled with deep features via transfer learning can provide the best results. The insights presented here are a relevant contribution to specialists interested in the field of histological images and developing techniques to support the detection and diagnostics of scientifically relevant diseases. | - |
| Descrição: dc.description | Sao Paulo State University (UNESP) Department of Computer Science and Statistics (DCCE) | - |
| Descrição: dc.description | Federal University of Uberlândia (UFU) Faculty of Computer Science (FACOM) | - |
| Descrição: dc.description | Federal Institute of Triângulo Mineiro (IFTM) Federal University of Uberlândia (UFU) | - |
| Descrição: dc.description | Sao Paulo State University (UNESP) Department of Computer Science and Statistics (DCCE) | - |
| Idioma: dc.language | en | - |
| Relação: dc.relation | International Conference on Systems, Signals, and Image Processing | - |
| ???dc.source???: dc.source | Scopus | - |
| Palavras-chave: dc.subject | classifier ensemble | - |
| Palavras-chave: dc.subject | deep features | - |
| Palavras-chave: dc.subject | feature ensemble | - |
| Palavras-chave: dc.subject | fractal descriptors | - |
| Palavras-chave: dc.subject | H&E images | - |
| Título: dc.title | Ensembles of fractal descriptors with multiple deep learned features for classification of histological images | - |
| Tipo de arquivo: dc.type | aula 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: