Estimativa do expoente de Hurst, por meio da transformada Wavelet, de séries temporais de precipitação de chuvas das regiões climáticas do estado de São Paulo no período de 1978 a 1997

Pós-graduação em Física - IGCE

Um método para melhoria de qualidade de imagens médicas utilizando a transformada wavelet

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)

Um método não-limiar para redução de ruído em sinais de voz no domínio wavelet

Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)

Redução de ruído em sinais de voz no domínio wavelet

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)

Inserção e extração de marca d'água em imagens digitais usando a transformada wavelet

Pós-graduação em Engenharia Elétrica - FEIS

Processamento de fotomicrografias por meio da transformada wavelet starlet

Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)

Classification of histological images based on the stationary wavelet transform

Non-Hodgkin lymphomas are of many distinct types, and different classification systems make it difficult to diagnose them correctly. Many of these systems classify lymphomas only based on what they look like under a microscope. In 2008 the World Health Organisation (WHO) introduced the most recent system, which also considers the chromosome features of the lymphoma cells and the presence of certain proteins on their surface. The WHO system is the one that we apply in this work. Herewith we present an automatic method to classify histological images of three types of non-Hodgkin lymphoma. Our method is based on the Stationary Wavelet Transform (SWT), and it consists of three steps: 1) extracting sub-bands from the histological image through SWT, 2) applying Analysis of Variance (ANOVA) to clean noise and select the most relevant information, 3) classifying it by the Support Vector Machine (SVM) algorithm. The kernel types Linear, RBF and Polynomial were evaluated with our method applied to 210 images of lymphoma from the National Institute on Aging. We concluded that the following combination led to the most relevant results: detail sub-band, ANOVA and SVM with Linear and RBF kernels.