Resumo-O presente trabalho apresenta uma ϕ-divergência, que é uma generalização das entropias relativas de Shannon e Tsallis, como medida de dissimilaridade na segmentação de imagens por clusterização. Os testes são realizados segmentando a região de texto de imagens digitalizadas com ruídos do banco de dados NoisyOffice. Baseado nos resultados obtidos, o método de clusterização proposto se mostrou mais aplicável que métodos estabelecidos, como limiar de Otsu e o K-means clássico.

Identificação de lesões periapicais em exames de radiografia utilizando clusterização baseada na ϕ-divergência e algoritmos de classificação

A extração dos terceiros molares está sempre em debate entre dentistas, isto porque podem surgir patologias com a sua permanência. Visando auxiliar no diagnóstico o presente trabalho procura automatizar a detecção de terceiros molares com cistos em imagens de radiografias. Para isso, são analisadas duas arquiteturas de Redes Neurais Convolucionais (CNN) para a classificação e experimentadas com técnicas de pré-processamento de imagem. Uma destas propostas, com uso de contraste morfológico, obteve melhor performance, com destaque à precisão de 0,93 e F1-score de 0,84. Os resultados demonstram que a proposta permite automatização no diagnóstico de cistos.