Feature description based on center-symmetric local mapped patterns

Ferraz, Carolina Toledo; Pereira, Osvaldo José Ribeiro; Gonzaga, Adilson

doi:10.1145/2554850.2554895

Cited by 24 publications

(9 citation statements)

References 17 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Other than our proposed textural model, we evaluated the robustness and efficiency of our HPIL model in comparison with other existing texture descriptors using our VELscope ® database, such as gradient directional pattern (GDP) [ 60 ], gradient directional pattern 2 (GDP2), geometric local textural patterns (GLTP) [ 61 ], improved Weber local descriptor (IWLD) [ 62 ], localized angular phase (LAP) [ 63 ], local binary pattern (LBP) [ 64 ], local directional pattern (LDIP) [ 65 ], local directional pattern variance (LDiPv), inverse difference moment standardized (IDN) [ 66 ], local directional number pattern (LDNP) [ 67 ], local gradient increasing pattern (LGIP) [ 68 ], local gradient patterns (LGP) [ 69 ], local phase quantization (LPQ) [ 70 ], local ternary pattern (LTeP) [ 71 ], local tetra pattern (LTrP) [ 72 ], monogenic binary coding (MBC) [ 73 ], local frequency descriptor (LFD) [ 74 ], and local mapped pattern (LMP) [ 75 ]; however, the overall results with these textural descriptors were quite modest (as shown in Table 5 ) as compared to those obtained with our HPIL model, which makes it not suitable for classifying OPMD and standard regions.…”

Section: Discussionmentioning

confidence: 99%

Healthcare Professional in the Loop (HPIL): Classification of Standard and Oral Cancer-Causing Anomalous Regions of Oral Cavity Using Textural Analysis Technique in Autofluorescence Imaging

Awais

Ghayvat

Pandarathodiyil

et al. 2020

Sensors

View full text Add to dashboard Cite

Oral mucosal lesions (OML) and oral potentially malignant disorders (OPMDs) have been identified as having the potential to transform into oral squamous cell carcinoma (OSCC). This research focuses on the human-in-the-loop-system named Healthcare Professionals in the Loop (HPIL) to support diagnosis through an advanced machine learning procedure. HPIL is a novel system approach based on the textural pattern of OML and OPMDs (anomalous regions) to differentiate them from standard regions of the oral cavity by using autofluorescence imaging. An innovative method based on pre-processing, e.g., the Deriche–Canny edge detector and circular Hough transform (CHT); a post-processing textural analysis approach using the gray-level co-occurrence matrix (GLCM); and a feature selection algorithm (linear discriminant analysis (LDA)), followed by k-nearest neighbor (KNN) to classify OPMDs and the standard region, is proposed in this paper. The accuracy, sensitivity, and specificity in differentiating between standard and anomalous regions of the oral cavity are 83%, 85%, and 84%, respectively. The performance evaluation was plotted through the receiver operating characteristics of periodontist diagnosis with the HPIL system and without the system. This method of classifying OML and OPMD areas may help the dental specialist to identify anomalous regions for performing their biopsies more efficiently to predict the histological diagnosis of epithelial dysplasia.

show abstract

Section: Discussionmentioning

confidence: 99%

Healthcare Professional in the Loop (HPIL): Classification of Standard and Oral Cancer-Causing Anomalous Regions of Oral Cavity Using Textural Analysis Technique in Autofluorescence Imaging

Awais

Ghayvat

Pandarathodiyil

et al. 2020

Sensors

View full text Add to dashboard Cite

show abstract

“…O parâmetro b (número de bins menos um) das Equações 16 e 21 foi variado no intervalo [7,15] para o CS-LMP e [6,15] …”

Section: Redução Do Tamanho Dos Descritoresunclassified

Novos descritores de textura para localização e identificação de objetos em imagens usando <i>Bag-of-Features</i>

Ferraz¹

Self Cite

View full text Add to dashboard Cite

“…A primeira contribuição desta tese foi o desenvolvimento do descritor Dynamic Local Mapped Pattern (D-LMP), que faz uso do mesmo princípio apresentado no descritor LBP-TOP (PIETIKÄINEN et al, 2011), mas utilizando a técnica de mapeamento dos padrões locais apresentado no Local Mapped Pattern (LMP) (FERRAZ;PEREIRA;GONZAGA, 2014) estendida à análise de texturas dinâmicas.…”

Section: Objetivos E Contribuiçõesunclassified

Novos descritores de texturas dinâmicas utilizando padrões locais e fusão de dados

Langoni¹

View full text Add to dashboard Cite

AGRADECIMENTOSPrimeiramente quero agradecer a Deus, pelo dom da vida, pela oportunidade de lutar e obter mais esta vitória. Obrigado pela Tua mão poderosa e pelo Teu braço estendido.Agradeço ao prof. Dr. Adilson Gonzaga, meu orientador, pela paciência e orientações de grande valor.Agradeço à minha esposa Ana, mulher virtuosa e uma bênção em minha vida. Pelo seu carinho, seu amor, paciência e incentivos constantes, obrigado.Não posso deixar de agradecer aos meus filhos, Carlos e Miguel, que mesmo pequenos e sem compreender direito, contribuem em minha felicidade diária.Meu agradecimento também à minha mãe, Marilda, que sempre me encorajou e apoiou.Quero agradecer aos irmãos da minha igreja pelas orações e palavras de incentivo.Agradeço aos colegas do Laboratório de Visão Computacional (LAVI), pelos momentos de discussão e compartilhamento do saber.Agradeço aos colegas de trabalho do ICTE, principalmente aos profs. Emílio e Luciano, parceiros constantes nessa luta. Gostaria de agradecer também aos funcionários do Departamento de EngenhariaElétrica da EESC, pois sempre fui atendido com respeito e educação.A todos que de alguma maneira contribuíram para a realização deste trabalho e que não foram citados aqui, peço que me desculpem e que aceitem o meu muito obrigado. Nas últimas décadas, as texturas dinâmicas ou texturas temporais, que são texturas com movimento, tornaram-se objetos de intenso interesse por parte de pesquisadores das áreas de processamento digital de imagens e visão computacional. Várias técnicas vêm sendo desenvolvidas, ou aperfeiçoadas, para a extração de características baseada em texturas dinâmicas. Essas técnicas, em vários casos, são a combinação de duas ou mais metodologias pré-existentes que visam apenas a extração de características e não a melhora da qualidade das características extraídas. Além disso, para os casos em que as características são "pobres"em qualidade, o resultado final do processamento poderá apresentar queda de desempenho. Assim, este trabalho propõe descritores que extraiam características dinâmicas de sequências de vídeos e realize a fusão de informações buscando aumentar o desempenho geral na segmentação e/ou reconhecimento de texturas ou cenas em movimento.Os resultados obtidos utilizando-se duas bases de vídeos demonstram que os descritores propostos chamados de D-LMP e D-SLMP foram superiores ao descritor da literatura comparado e denominado de LBP-TOP. Além de apresentarem taxas globais de acurácia, precisão e sensibilidade superiores, os descritores propostos extraem características em um tempo inferior ao descritor LBP-TOP, o que os tornam mais práticos para a maioria das aplicações. A fusão de dados oriundos de regiões com diferentes características dinâmi-cas aumentou o desempenho dos descritores, demonstrando assim, que a técnica pode ser aplicada não somente para a classificação de texturas dinâmicas em sí, mas também para a classificação de cenas gerais em vídeos.Palavras-chaves: textura dinâmica, características dinâmicas, descritor de textura dinâ-mica, des...

show abstract

Feature description based on center-symmetric local mapped patterns

Cited by 24 publications

References 17 publications

Healthcare Professional in the Loop (HPIL): Classification of Standard and Oral Cancer-Causing Anomalous Regions of Oral Cavity Using Textural Analysis Technique in Autofluorescence Imaging

Healthcare Professional in the Loop (HPIL): Classification of Standard and Oral Cancer-Causing Anomalous Regions of Oral Cavity Using Textural Analysis Technique in Autofluorescence Imaging

Novos descritores de textura para localização e identificação de objetos em imagens usando <i>Bag-of-Features</i>

Novos descritores de texturas dinâmicas utilizando padrões locais e fusão de dados

Contact Info

Product

Resources

About