No abstract

O teste do campo aberto é um experimento bastante utilizado para teste de nı́veis de atividade motora e ansiedade em roedores, permitindo o es- tudo de compostos farmacológicos ansiolı́ticos ou ansiogênicos. Neste traba- lho, foi desenvolvido um modelo computacional para ratos virtuais baseados em robôs evolutivos para o teste de campo aberto. O rato virtual é controlado por uma rede neural recorrente otimizada por algoritmos genéticos (AGs). A função de fitness utilizada no AG corresponde ao conflito entre medo e caráter exploratório do rato no campo aberto. Simulações e um experimento com o robô real indicam que o rato virtual otimizado tem comportamentos similares aos de ratos reais no teste do campo aberto.

Agradeço à minha família pelos mais diversos tipos de apoio e conselhos. Agradeço, também, à minha família de coração: vocês fazem parte de cada conquista que obtive nos últimos anos. Agradeço aos amigos de curso adquiridos nesse período e aos antigos amigos que me proporcionaram boas conversas ao longo do tempo. Agradeço aos funcionários da secretaria por sempre estarem à disposição, em especial à Lucia e ao Jalmei. Também, agradeço ao vigilante Espin por todos os "Bom dia, moça, tudo certo?" ao longo dos dias. Agradeço ao professor Marcello Henrique Nogueira-Barbosa e à doutoranda Natália S. Chiari-Correia por proporcionarem o uso da base de dados de Fratura Vertebral por Compressão e favorecerem o entendimento na área médica. Agradeço ao Rafael Silva, que favoreceu o uso de imagens segmentadas dos corpos vertebrais para a análise clínica e à Luciana Trento por sua prontidão e benevolência. Agradeço por último, e não menos importante, ao meu orientador Renato Tinós, que tem me orientado desde o primeiro ano de graduação, me apoiou nas tomadas de decisões, respeitou meu tempo para fazer as atividades e possibilitou o bom andamento do projeto.

Non-traumatic Vertebral Compression Fractures (VCFs) are generally caused by osteoporosis (benign VCFs) or metastatic cancer (malignant VCFs) and the success of the medical treatment strongly depends on a fast and correct classification of VCFs. Recently, methods for computer-aided diagnosis (CAD) based on machine learning have been proposed for classifying VCFs. In this work, we investigate the problem of clustering images of VCFs and the impact of feature selection by genetic algorithms, comparing the clustering i)with all features and ii)with feature selection through the purity results. The analysis of the clusters helps to understand the results of classifiers and difficulties of differentiating images of different classes by an expert. The results indicate that features selection improved the separability of clusters and purity. Feature selection also helps to understand which attributes are most important for analysing the images of vertebral bodies.