ABSTRACT
Objetivo: analisar a qualidade preditiva de modelos computacionais para a diferenciação de tecidos cólicos, construídos a partir da representação de Imagens de Coloscopia (IC) como Matrizes de Co-ocorrência (MC). Materiais e Métodos: os modelos foramconstruídos aplicando técnicas de análise de imagens e de inteligência artificial. Foram utilizadas 67 IC, contendo pólipos, a partir das quais foram extraídas uma imagem da parte de tecido de pólipo e outra de tecido sem pólipo adjacente, totalizando 134 imagens. Para cada imagem, foram construídas MC para diferentes valores do parâmetro distância, D = 1 a 5, e extraídas 11 características de textura.Com essa representação, foram criados cinco modelos computacionais baseados em árvores de decisão. Os modelos foram avaliados utilizando: (a) validação cruzada e (b) tabelas de contingência. Resultados: na análise (a), o modelo de D = 3 apresentou o menor erro médio (22,25% ± 11,85%). Na análise (b), os modelos de D = 1 e 3 apresentaram os melhores valores de precisão. Conclusão: os valores do parâmetro de distância D = 1 e 3 apresentaram os modelos com as melhores qualidades preditivas. Os resultados mostraram que os modelos construídos apresentaram-se promissores para a construção de sistemas computacionais de suporte à decisão.
Purpose: to evaluate the predictive quality of computational models to differentiate colic tissues, based on Cooccorrurence Matrices (MC) representation of Coloscopic Images (IC). Materials and Methods: image analysis and artificial intelligence methods were employed to construct computational models. Sixty seven IC images, containing polyp, were considered in this work, from which a part containing a polypus and another without it were collected given origin to 134 images. For each one of these, different MC were constructed considering five distance parameters (D = 1 to 5) and the extraction of 11 texture characteristics. With this representation, five computational models were generated based on decision trees. These models were evaluated using two techniques: (a) cross-validation and (b) contingency tables. Results: for the (a) analysis, the model with D = 3 presented the smaller average error (22.25% ± 11.85%). For the (b) analysis, models with D = 1 and 3 presented the best precision values. Conclusion: parameters D = 1 and 3 presented models with the best predictive qualities. Results showed that the constructed models were promising to be applied within decision making computational systems.