Evaluation of follicular lymphoid depletion in the Bursa of Fabricius: an alternative methodology using digital image analysis and artificial neural networks

Fifty Bursa of Fabricius (BF) were examined by conventional optical microscopy and digital images were acquired and processed using Matlab® 6.5 software. The Artificial Neuronal Network (ANN) was generated using Neuroshell® Classifier software and the optical and digital data were compared. The ANN was able to make a comparable classification of digital and optical scores. The use of ANN was able to classify correctly the majority of the follicles, reaching sensibility and specificity of 89% and 96%, respectively. When the follicles were scored and grouped in a binary fashion the sensibility increased to 90% and obtained the maximum value for the specificity of 92%. These results demonstrate that the use of digital image analysis and ANN is a useful tool for the pathological classification of the BF lymphoid depletion. In addition it provides objective results that allow measuring the dimension of the error in the diagnosis and classification therefore making comparison between databases feasible.

Algoritmo neurogenético com vistas para o planejamento de rotas de robôs móveis autônomos

Pós-graduação em Ciência da Computação - IBILCE

A utilização de uma rede neural artificial para previsão da incidência da malária no município de Cantá, estado de Roraima

INTRODUÇÃO: A malária é uma doença endêmica na Amazônia Legal Brasileira, apresentando riscos diferentes para cada região. O Município de Cantá, no Estado de Roraima, apresentou para todo o período estudado, um dos maiores índices parasitários anuais do Brasil, com valor sempre maior que 50. O presente estudo visa à utilização de uma rede neural artificial para previsão da incidência da malária nesse município, a fim de auxiliar os coordenadores de saúde no planejamento e gestão dos recursos. MÉTODOS: Os dados foram coletados no site do Ministério da Saúde, SIVEP - Malária entre 2003 e 2009. Estruturou-se uma rede neural artificial com três neurônios na camada de entrada, duas camadas intermediárias e uma camada de saída com um neurônio. A função de ativação foi à sigmoide. No treinamento, utilizou-se o método backpropagation, com taxa de aprendizado de 0,05 e momentum 0,01. O critério de parada foi atingir 20.000 ciclos ou uma meta de 0,001. Os dados de 2003 a 2008 foram utilizados para treinamento e validação. Comparam-se os resultados com os de um modelo de regressão logística. RESULTADOS: Os resultados para todos os períodos previstos mostraram-se que as redes neurais artificiais obtiveram um menor erro quadrático médio e erro absoluto quando comparado com o modelo de regressão para o ano de 2009. CONCLUSÕES: A rede neural artificial se mostrou adequada para um sistema de previsão de malária no município estudado, determinando com pequenos erros absolutos os valores preditivos, quando comparados ao modelo de regressão logística e aos valores reais.

NetErosividade MG: erosividade da chuva em Minas Gerais

A erosividade da chuva é um índice numérico que expressa a capacidade das chuvas em provocar erosão hídrica no solo. O presente trabalho teve por objetivo desenvolver um programa computacional para estimar os valores da erosividade da chuva no Estado de Minas Gerais com base em redes neurais artificiais (RNAs). O valor anual da erosividade da chuva é obtido pelo somatório dos valores mensais dos índices de erosividade EI30 ou KE > 25. Foram utilizados para cálculo de cada um desses índices dois métodos de obtenção da energia cinética de precipitação pluvial. Dessa maneira, obtiveram-se quatro valores de erosividade para cada mês, totalizando o desenvolvimento de 48 redes. As RNAs desenvolvidas foram implementadas no ambiente de programação Borland Delphi 7.0. O programa computacional desenvolvido foi denominado NetErosividade MG. O programa fornece, de forma fácil e rápida, os valores mensais e anual da erosividade da chuva para qualquer localidade do Estado de Minas Gerais.

Crescimento e produção de plantios comerciais de eucalipto estimados por duas categorias de modelos

O objetivo deste trabalho foi avaliar e comparar duas categorias de modelos de crescimento e produção em plantios comerciais de eucalipto. Para isso, foram ajustados um modelo de crescimento e produção para povoamento e outro para árvore individual, por meio de equações simultâneas e redes neurais artificiais, respectivamente. O volume de madeira por área foi estimado em diferentes idades e classes de produtividade. Foram avaliados dados de 63 parcelas permanentes de plantios clonais, não desbastados, do híbrido Eucalyptus grandis x E. urophylla, com os dados de 33 parcelas utilizados para o ajuste do modelo e o treinamento das redes neurais, e os das 30 parcelas restantes, para a validação dos modelos. As duas categorias de modelos ajustaram-se bem aos dados observados. No entanto, na validação dos modelos com dados independentes, o volume de madeira por área foi mais bem estimado com o modelo para árvore individual.

Modelagem da distribuição diamétrica em povoamentos de eucalipto submetidos a desbaste utilizando autômatos celulares

Este estudo apresenta um modelo de distribuição diamétrica baseado em um modelo de Autômatos celulares (AC) unidimensionais e redes neurais artificiais (RNA) para a simulação de desbaste. Cada célula do AC proposto representa uma classe de dap, sendo o estado futuro previsto em função do estado atual dessa célula, do estado de suas quatro células vizinhas e de sua idade atual e futura. Como regra de evolução, utilizou-se uma RNA. A exatidão foi avaliada empregando-se o procedimento estatístico L relação entre frequências observada e estimada e realismo biológico do modelo construído. Entre as redes treinadas, foram selecionadas as 10 que representavam a evolução da distribuição diamétrica com maior exatidão. Entre essas 10 RNA, sete apresentaram valores estimados estatisticamente iguais aos observados (p>0,01). O enfoque de modelagem proposto permite estimar distribuições diamétricas futuras com exatidão.

Mapeamento de fragmentos florestais com monodominância de aroeira a partir da classificação supervisionada de imagens Rapideye

A espécie florestal Myracrodruon urundeuva (Fr. All.) figura desde 1992 na lista de espécies da flora brasileira ameaçadas de extinção e, contudo, manifesta comportamento monodominante em algumas regiões do Estado de Minas Gerais, sobretudo na região do Médio Rio Doce. Este trabalho teve por objetivo comparar métodos de classificação supervisionada de imagens Rapideye para mapeamento de fragmentos florestais monodominados por Myracrodruon urundeuva em Tumiritinga, MG. Foram avaliadas a classificação pelo algoritmo da Maximaverossimilhança (Maxver) e a classificação por Redes Neurais Artificiais (RNA). Foram testadas 19 combinações envolvendo diferentes bandas, componentes principais e o índice de vegetação da diferença normalizada para a classificação da imagem Rapideye. O treinamento da rede foi realizado variando-se a taxa de aprendizado, o número de interações e o número de neurônios na camada interna. A avaliação dos mapas temáticos produzidos foi realizada através dos índices Kappa e Kappa condicional para a classe de uso do solo "aroeira" e pela análise das Matrizes de Confusão. O método que apresentou melhor desempenho foi a classificação de todas as bandas da imagem Rapideye pelo algoritmo Maxver, apresentando coeficientes Kappa 80 e Kappa condicional 90. O mapa temático gerado teve exatidão do usuário igual a 93% e exatidão do produtor igual a 90%, sendo as maiores confusões do classificador para a classe Aroeira Monodominante acometidas entre as classes Mata Nativa e Pasto Manejado. Da imagem temática produzida, extraiu-se a informação de que 22% do Município de Tumiritinga se encontrava sob ocupação da aroeira em monodominância. A análise do uso e cobertura do solo no município não retrata, na região de estudo, o quadro anunciado de espécie ameaçada de extinção, no qual M. urundeuva se encontra.

Análise da trafegabilidade em estradas florestais utilizando métodos computacionais

As estradas florestais são o principal meio de integração entre as florestas e as empresas. A partir do exposto, percebe-se a necessidade não apenas da correta aplicação de atividades de manutenção, mas também de se determinar o tempo exato para tal intervenção. Partindo desse pressuposto, este trabalho apresenta os resultados da apreciação de dois métodos de classificação da qualidade de estradas não pavimentadas, com o intuito de se verificar a aplicabilidade dos mesmos na caracterização das estradas florestais brasileiras e servir como base para um sistema de gestão das operações de manutenção destas vias. Foram medidos os principais defeitos em estradas florestais seguindo um método denominado de Índice de Condição de Rodovia Não Pavimentada (ICRNP), que serviram de base para gerar um banco de dados para testar a eficiência do uso de redes neurais artificiais (RNA) na administração das estradas florestais, minimizando custos e paralisações de tráfego. Concluiu-se que a utilização das redes neurais artificiais apresentou resultados superiores ao método do ICRNP.

MÉTODOS PARA ESTIMAR O VOLUME DE FUSTES E GALHOS NA FLORESTA NACIONAL DO TAPAJÓS1

RESUMO Objetivou-se aplicar e avaliar métodos para estimar múltiplos volumes em uma Área de Manejo Comunitário, localizada na Floresta Nacional do Tapajós. Foram cubadas, rigorosamente, 516 árvores-amostra de 21 espécies comerciais, todas com 50 cm > dap < 160 cm. Utilizaram-se o modelo único para múltiplos volumes (análise de regressão) proposto por Leite et al. (1995) e redes neurais artificiais (RNA) para a estimativa do volume de fuste e galhos. Após os resultados preliminares usando o método de regressão, optou-se por separar os dados em três estratos, considerando a relação volume de galhos em razão do volume de fuste comercial. As equações geradas por estratos apresentaram melhoria nos ajustes, mas os resultados obtidos pela RNA foram melhores que os pelas equações de regressão.

Previsão de estabilidade de óleos vegetais através da rede de inteligência artificial

Redes Neurais Artificiais são técnicas computacionais que se utilizam de um modelo matemático capaz de adquirir conhecimentos pela experiência; esse comportamento inteligente da rede provém das interações entre unidades de processamento, denominadas de neurônios artificiais. O objetivo deste trabalho foi criar uma rede neural capaz de prever a estabilidade de óleos vegetais, a partir de dados de suas composições químicas, visando um modelo para a previsão da shelf-life de óleos vegetais, tendo como parâmetros apenas dados de suas composições químicas. Os primeiros passos do processo de desenvolvimento da rede consistiram na coleta de dados relativos ao problema e sua separação em um conjunto de treinamento e outro de testes. Estes conjuntos apresentaram como variáveis dados de composição química, que incluíram os valores totais em ácidos graxos, fenóis, tocoferóis e a composição individual em ácidos graxos. O passo seguinte foi a execução do treinamento, onde o padrão de entrada apresentado à rede como parâmetro de estabilidade foi o índice de peróxido, determinado experimentalmente por um período de 16 dias de armazenagem na ausência de luz, a 65ºC. Após o treinamento foi testada a capacidade de previsão adquirida pela rede, em função do parâmetro de estabilidade adotado, mas com um novo grupo de óleos. Seguindo o teste, foi determinada a correlação linear entre os valores de estabilidade previstos pela rede e aqueles determinados experimentalmente. Com os resultados obtidos, pode-se confirmar a viabilidade de previsão da estabilidade de óleos vegetais pela rede neural, a partir de dados de sua composição química, utilizando como parâmetro de estabilidade o índice de peróxido.

Aprendizado relacional por um modelo neural

As técnicas que formam o campo da Descoberta de Conhecimento em Bases de Dados (DCBD) surgiram devido à necessidade de se tratar grandes volumes de dados. O processo completo de DCBD envolve um elevado grau de subjetividade e de trabalho não totalmente automatizado. Podemos dizer que a fase mais automatizada é a de Mineração de Dados (MD). Uma importante técnica para extração de conhecimentosa partir de dados é a Programação Lógica Indutiva (PLI), que se aplica a tarefas de classificação, induzindo conhecimento na forma da lógica de primeira ordem. A PLI tem demonstrado as vantagens de seu aparato de aprendizado em relação a outras abordagens, como por exemplo, aquelas baseadas em aprendizado proposicional Os seus algorítmos de aprendizado apresentam alta expressividade, porém sofrem com a grande complexidade de seus processos, principalmente o teste de corbertura das variáveis. Por outro lado, as Redes Neurais Artificiais (RNs) introduzem um ótimo desempenho devido à sua natureza paralela. às RNs é que geralmente são "caixas pretas", o que torna difícil a obtenção de um interpretação razoável da estrutura geral da rede na forma de construções lógicas de fácil compreensão Várias abordagens híbridas simbólico-conexionistas (por exemplo, o MNC MAC 890 , KBANN SHA 94 , TOW 94 e o sistema INSS OSO 98 têm sido apresentadas para lidar com este problema, permitindo o aprendizado de conhecimento simbólico através d euma RN. Entretanto, estas abordagens ainda lidam com representações atributo-valor. Neste trabalho é apresentado um modelo que combina a expressividade obtida pela PLI com o desempenho de uma rede neural: A FOLONET (First Order Neural Network).

Análise teórico-experimental da extração de óleo de soja em instalação industrial do tipo Rotocell

O presente trabalho apresenta o desenvolvimento de um estudo da extração de óleo vegetal em instalações industriais do tipo Rotocell. O extrator tem forma cilíndrica e possui um eixo principal no qual estão fixos vagões que transportam os sólidos através do extrator, e, abaixo desses existem reservatórios responsáveis pelo recebimento da micela. Acima dos vagões há seções de distribuição de micela que é despejada sobre os sólidos dos vagões, que extrai o óleo. Possui também seções de carregamento e drenagem. Um modelo físico-matemático e um programa para simular a operação do extrator foram desenvolvidos considerando os seguintes fenômenos: difusão de óleo pela micela; transferência de óleo entre as fases bulk e poro; variação da massa específica e viscosidade da micela; os processos nas seções de drenagem e de carregamento. Na forma final, o modelo acoplado apresenta-se em termos de redes neurais artificiais, que possibilita operar com tempos discretos e contínuos, permitindo a simulação numérica deste extrator industrial, o treinamento favorável da rede, sua identificação, e o acompanhamento em tempo real. Foram determinadas características da matéria-prima através de um trabalho experimental em laboratório. Através dos resultados obteve-se a validação do modelo por meios teóricos e experimentais Os resultados teóricos foram comparados com os dados experimentais e com cálculos feitos através do método de estágios ideais. As simulações numéricas revelam propriedades do campo de extração para o regime transiente com distribuição uniforme e regime transiente industrial, onde verifica-se que o modelo descreve corretamente o comportamento real do campo de percolação do extrator. Também foram realizadas simulações numéricas com o objetivo de avaliar as principais características do extrator em função da sua geometria e características da matéria-prima, variando a altura e o número de vagões do extrator verificou-se que é possível simular o comportamento do extrator para diferentes formas e tipo de qualidades da matéria-prima. Foram feitas simulações utilizando um solvente alternativo(álcool) e mudando parâmetros do extrator, onde observou-se que o solvente exige alterações na dimensão do extrator.

Medidas de estruturas cardíacas fetais através de imagens ecocardiográficas segmentadas

O presente trabalho implementa um método computacional semi-automático para obter medidas de estruturas cardíacas de fetos humanos através do processamento de imagens de ultra-som. Essas imagens são utilizadas na avaliação cardíaca pré-natal, permitindo que os médicos diagnostiquem problemas antes mesmo do nascimento. A dissertação é parte de um projeto desenvolvido no Instituto de Informática da Universidade Federal do Rio Grande do Sul, denominado SEGIME (Segmentação de Imagens Médicas). Neste projeto, está sendo desenvolvida uma ferramenta computacional para auxiliar na análise de exames ecocardiográficos fetais com o apoio da equipe de Cardiologia Fetal do Instituto de Cardiologia do Rio Grande do Sul. O processamento de cada imagem é realizado por etapas, divididas em: aquisição, pré-processamento, segmentação e obtenção das medidas. A aquisição das imagens é realizada por especialistas do Instituto de Cardiologia. No pré-processamento, é extraída a região de interesse para a obtenção das medidas e a imagem é filtrada para a extração do ruído característico das imagens de ultra-som. A segmentação das imagens é realizada através de redes neurais artificiais, sendo que a rede neural utilizada é conhecida como Mapa Auto-organizável de Kohonen. Ao final do processo de segmentação, a imagem está pronta para a obtenção das medidas. A técnica desenvolvida nesta dissertação para obtenção das medidas foi baseada nos exames realizados pelos especialistas na extração manual de medidas. Essa técnica consiste na análise da linha referente à estrutura de interesse onde serão detectadas as bordas. Para o início das medidas, é necessário que o usuário indique o ponto inicial sobre uma borda da estrutura. Depois de encontradas as bordas, através da análise da linha, a medida é definida pela soma dos pixels entre os dois pontos de bordas. Foram realizados testes com quatro estruturas cardíacas fetais: a espessura do septo interventricular, o diâmetro do ventrículo esquerdo, a excursão do septum primum para o interior do átrio esquerdo e o diâmetro do átrio esquerdo. Os resultados obtidos pelo método foram avaliados através da comparação com resultados de referência obtidos por especialistas. Nessa avaliação observou-se que a variação foi regular e dentro dos limites aceitáveis, normalmente obtida como variação entre especialistas. Desta forma, um médico não especializado em cardiologia fetal poderia usar esses resultados em um diagnóstico preliminar.

Técnicas de avaliação da confiabilidade em estruturas de concreto armado

Neste trabalho é dado ênfase à inclusão das incertezas na avaliação do comportamento estrutural, objetivando uma melhor representação das características do sistema e uma quantificação do significado destas incertezas no projeto. São feitas comparações entre as técnicas clássicas existentes de análise de confiabilidade, tais como FORM, Simulação Direta Monte Carlo (MC) e Simulação Monte Carlo com Amostragem por Importância Adaptativa (MCIS), e os métodos aproximados da Superfície de Resposta( RS) e de Redes Neurais Artificiais(ANN). Quando possível, as comparações são feitas salientando- se as vantagens e inconvenientes do uso de uma ou de outra técnica em problemas com complexidades crescentes. São analisadas desde formulações com funções de estado limite explícitas até formulações implícitas com variabilidade espacial de carregamento e propriedades dos materiais, incluindo campos estocásticos. É tratado, em especial, o problema da análise da confiabilidade de estruturas de concreto armado incluindo o efeito da variabilidade espacial de suas propriedades. Para tanto é proposto um modelo de elementos finitos para a representação do concreto armado que incorpora as principais características observadas neste material. Também foi desenvolvido um modelo para a geração de campos estocásticos multidimensionais não Gaussianos para as propriedades do material e que é independente da malha de elementos finitos, assim como implementadas técnicas para aceleração das avaliações estruturais presentes em qualquer das técnicas empregadas. Para o tratamento da confiabilidade através da técnica da Superfície de Resposta, o algoritmo desenvolvido por Rajashekhar et al(1993) foi implementado. Já para o tratamento através de Redes Neurais Artificias, foram desenvolvidos alguns códigos para a simulação de redes percéptron multicamada e redes com função de base radial e então implementados no algoritmo de avaliação de confiabilidade desenvolvido por Shao et al(1997). Em geral, observou-se que as técnicas de simulação tem desempenho bastante baixo em problemas mais complexos, sobressaindo-se a técnica de primeira ordem FORM e as técnicas aproximadas da Superfície de Resposta e de Redes Neurais Artificiais, embora com precisão prejudicada devido às aproximações presentes.

ONNIS-GI: uma rede neural oscilatória para segmentação de imagens implementada em arquitetura maciçamente paralela

A presente tese apresenta a concepção de uma rede neural oscilatória e sua realização em arquitetura maciçamente paralela, a qual é adequada à implementação de chips de visão digitais para segmentação de imagens. A rede proposta, em sua versão final, foi denominada ONNIS-GI (Oscillatory Neural Network for Image Segmentation with Global Inhibition) e foi inspirada em uma rede denominada LEGION (Locally Excitatory Globally Inhibitory Oscillator Network), também de concepção recente. Inicialmente, é apresentada uma introdução aos procedimentos de segmentação de imagens, cujo objetivo é o de situar e enfatizar a importância do tema abordado dentro de um contexto abrangente, o qual inclui aplicações de visão artificial em geral. Outro aspecto abordado diz respeito à utilização de redes neurais artificiais em segmentação de imagens, enfatizando as denominadas redes neurais oscilatórias, as quais têm apresentado resultados estimulantes nesta área. A implementação de chips de visão, integrando sensores de imagens e redes maciçamente paralelas de processadores, é também abordada no texto, ressaltando o objetivo prático da nova rede neural proposta. No estudo da rede LEGION, são apresentados resultados de aplicações originais desenvolvidas em segmentação de imagens, nos quais é verificada sua propriedade de separação temporal dos segmentos. A versão contínua da rede, um arranjo paralelo de neurônios baseados em equações diferenciais, apresenta elevada complexidade computacional para implementação em hardware digital e muitos parâmetros, com procedimento de ajuste pouco prático. Por outro lado, sua arquitetura maciçamente paralela apresenta-se particularmente adequada à implementação de chips de visão analógicos com capacidade de segmentação de imagens. Com base nos bons resultados obtidos nas aplicações desenvolvidas, é proposta uma nova rede neural, em duas versões, ONNIS e ONNIS-GI, as quais suplantam a rede LEGION em diversos aspectos relativos à implementação prática. A estrutura dos elementos de processamento das duas versões da rede, sua implementação em arquitetura maciçamente paralela e resultados de simulações e implementações em FPGA são apresentados, demonstrando a viabilidade da proposta. Como resultado final, conclui-se que a rede ONNIS-GI apresenta maior apelo de ordem prática, sendo uma abordagem inovadora e promissora na solução de problemas de segmentação de imagens, possuindo capacidade para separar temporalmente os segmentos encontrados e facilitando a posterior identificação dos mesmos. Sob o ponto de vista prático, a nova rede pode ser utilizada para implementar chips de visão digitais com arquitetura maciçamente paralela, explorando a velocidade de tais topologias e apresentando também flexibilidade para implementação de procedimentos de segmentação de imagens mais sofisticados.