ABSTRACT
O presente trabalho teve por objetivo demonstrar a melhora no desempenho da classificação de coloração imuno-histoquímica em imagens microscópicas, utilizando a abordagem de aprendizado supervisionada que emprega a projeção polinomial da distância de Mahalanobis. Foi definido um descritor de características híbrido, combinando core textura baseada no método Local Binary Pattern, proporcionado inicialmente um descritor 23-dimensional para cada píxel. Uma análise de componentes principais foi realizada e um segundo descritor 12-dimensional foi empregado na avaliação. Os testes foram realizados em imagens e metadados obtidos no The Human Protein Atlas, avaliando uma série de medidas de acerto e erro. Com os resultados encontrados percebeu-se que a utilização do descritor híbrido tornou o processo de classificação mais específico e restritivo nas predições positivas.
This study aimed to demonstrate the improvement in performance of immunohistochemical staining classification in microscopic images using a supervised learning approach that employs the polynomial projection of the Mahalanobis distance. A hybrid feature descriptor was defined by combining color and texture based on Local Binary Pattern method, initially provided a 23-dimensional descriptor, for each pixel. A principal component analysis was performed and a second 12-dimensional descriptor was used in the assay. The tests were performed on images and metadata, obtained on The Human Protein Atlas. With the results it can be seen that the use of hybrid descriptor has made the classification process more specific and restrictive on the positive predictions.