
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.creator | de Antonio, André Lara Temple | - |
| Autor(es): dc.creator | Pedronette, Daniel Carlos Guimarães | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T20:44:51Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T20:44:51Z | - |
| Data de envio: dc.date.issued | 2025-04-29 | - |
| Data de envio: dc.date.issued | 2022-12-31 | - |
| Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/BIBE60311.2023.00014 | - |
| Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/309985 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/309985 | - |
| Descrição: dc.description | The evolution of image acquisition and storage technologies has been fundamental in numerous medical fields, supporting doctors to deliver more precise diagnoses and, consequently, recommend more effective treatments for their patients. Recently, deep learning techniques have played a key role in more accurate medical image analysis, mainly due to the capacity to effectively represent the image visual content. However, in spite of tremendous advances, deep-learning techniques commonly require huge quantities of data for training, that are not available in many scenarios, especially in the medical domain. Conversely, manifold learning techniques have been successfully applied in unsupervised and semi-supervised scenarios for more effective encoding of similarity relationships between multimedia data in the absence or restriction of labeled data. In this work, we propose to exploit jointly the representation power of deep-learning strategies with the ability of unsupervised manifold learning in delivering more effective similarity measurement. Convolutional Neural Networks (CNNs) and Transformer-based models trained through transfer learning are combined by unsupervised manifold learning methods, which define a more effective similarity among images. The output can be used for unsupervised retrieval and semi-supervised classification based on a k-NN strategy. An experimental evaluation was conducted on different datasets of MRI brain tumor images, considering different features. Effective results were obtained on both retrieval and classification tasks, with significant gains obtained by manifold learning approaches. In scenarios with limited training data, our approach achieves results that are competitive or superior to state-of-the-art deep learning approaches. | - |
| Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | - |
| Descrição: dc.description | Department of Statistics Applied Mathematics and Computing São Paulo State University (UNESP) | - |
| Descrição: dc.description | Department of Statistics Applied Mathematics and Computing São Paulo State University (UNESP) | - |
| Descrição: dc.description | FAPESP: #2018/15597-6 | - |
| Formato: dc.format | 36-42 | - |
| Idioma: dc.language | en | - |
| Relação: dc.relation | Proceedings - 2023 IEEE 23rd International Conference on Bioinformatics and Bioengineering, BIBE 2023 | - |
| ???dc.source???: dc.source | Scopus | - |
| Palavras-chave: dc.subject | brain tumor | - |
| Palavras-chave: dc.subject | feature extraction | - |
| Palavras-chave: dc.subject | fusion | - |
| Palavras-chave: dc.subject | knn classification | - |
| Palavras-chave: dc.subject | medical images | - |
| Palavras-chave: dc.subject | MRI | - |
| Palavras-chave: dc.subject | ranking | - |
| Palavras-chave: dc.subject | unsupervised learning | - |
| Título: dc.title | Manifold Learning for Brain Tumor MRI Image Retrieval and Classification | - |
| 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: