Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/47970
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2023_TonyAlexandreMedeirosDaSilva_TESE.pdf8,28 MBAdobe PDFVisualizar/Abrir
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorCarvalho, João Luiz Azevedo de-
dc.contributor.authorSilva, Tony Alexandre Medeiros da-
dc.date.accessioned2024-03-02T03:37:56Z-
dc.date.available2024-03-02T03:37:56Z-
dc.date.issued2024-03-03-
dc.date.submitted2023-02-13-
dc.identifier.citationSILVA, Tony Alexandre Medeiros da. Radiômica e aprendizado de máquina para identificação da codeleção cromossômica 1p/19q em gliomas de baixo grau. 2023. 123 f., il. Tese (Doutorado em Engenharia de Sistemas Eletrônicos e Automação) — Universidade de Brasília, Brasília, 2023.pt_BR
dc.identifier.urihttp://repositorio2.unb.br/jspui/handle/10482/47970-
dc.descriptionTese (doutorado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, Programa de Pós-Graduação em Engenharia de Sistemas Eletrônicos e de Automação, 2022.pt_BR
dc.description.abstractOs gliomas representam em torno de 40% dos tumores cerebrais. Destes, 50% são de baixo grau, sendo representados quase que em sua totalidade por oligodendrogliomas e astrocitomas, ambos de grau II ou III. Tendo em vista que a codeleção cromossômica 1p/19q é um importante marcador tumoral de fator prognóstico (favorável) positivo nesses gliomas, propõe-se a utilizar a radiômica na análise de imagens como um abrangente quantificador de fenótipos tumorais não invasivos para identificar a codeleção cromossômica 1p/19q em gliomas de baixo grau. Trata-se de uma abordagem potencialmente utilizada em oncologia, auxiliando na detecção, diagnóstico e prognóstico do câncer, previsão de resposta ao tratamento e monitoramento do estado da doença. Por meio da plataforma PyRadiomics, que extrai características radiômicas que quantificam a intensidade, a forma e a textura da imagem do tumor em exames de ressonância magnética, utilizou-se um dataset com 159 pacientes diagnosticados com gliomas de baixo grau e extraiu-se 120 características. Em seguida implementou-se 4 experimentos onde foram aplicadas técnicas de pré-processamento de dados, tais como seleção, escalonamento, redimensionamento e aumento de dados, e aprendizado de máquina supervisionado. Após avaliação de um conjunto de dados de teste em cada experimento, obteve-se resultados promissores para acurácia, sensibilidade, especificidade, precisão, area sob a curva (AUC) e pontuação F1. Os mesmos mostram-se favoráveis quando comparados ao estado da arte. Este estudo descreve uma pesquisa exploratória cujos resultados ressaltam que a radiômica em conjunto com aprendizado de máquina configura uma abordagem promissora na identificação da codeleção cromossômica 1p/19q em gliomas de baixo grau.pt_BR
dc.language.isoporpt_BR
dc.rightsAcesso Abertopt_BR
dc.titleRadiômica e aprendizado de máquina para identificação da codeleção cromossômica 1p/19q em gliomas de baixo graupt_BR
dc.typeTesept_BR
dc.subject.keywordAprendizagem de máquinapt_BR
dc.subject.keywordGliomapt_BR
dc.subject.keywordBiomarcadores tumoraispt_BR
dc.contributor.advisorcoNascimento, Francisco Assis de Oliveira-
dc.description.abstract1Gliomas represent approximately 40% of all brain turmors, and approximately 50% of all gliomas are low-grade, almost entirely represented by oligodendrogliomas and astrocytomas, both grade II or III. Since 1p/19q chromosome codeletion is an important tumor marker of positive prognostic (benign) factor in these gliomas, we propose the use of radiomics in image analysis as a comprehensive quantifier of non-invasive tumor phenotypes to identify 1p/19q chromosome codeletion in low-grade gliomas. This is an approach potentially used in oncology, helping in the detection, diagnosis and prognosis of cancer, prediction of response to treatment and monitoring of the state of the disease. Using the PyRadiomics platform, which extracts radiomic features that quantify the intensity, shape and texture of the tumor image in magnetic resonance images, a dataset with 159 patients diagnosed with low-grade gliomas was used and 120 features were extracted . Then, 4 experiments were implemented where data pre-processing techniques were applied, such as selection, scaling, resizing and data augumentation, and supervised machine learning. After evaluating a set of test data in each experiment, promising results were obtained for accuracy, sensitivity, specificity, precision, area under the curve (AUC) and F1 score. These results were competitive when compared to the state of the art. This study describes an exploratory research whose results underscore that radiomics in combination with machine learning constitutes a promising approach in identifying 1p/19q chromosome codeletion in low-grade gliomas.pt_BR
dc.description.unidadeFaculdade de Tecnologia (FT)pt_BR
dc.description.unidadeDepartamento de Engenharia Elétrica (FT ENE)pt_BR
dc.description.ppgPrograma de Pós-Graduação em Engenharia de Sistemas Eletrônicos e de Automaçãopt_BR
Aparece nas coleções:Teses, dissertações e produtos de pós-doutorado de servidores defendidas em outras instituições

Mostrar registro simples do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.