Ementa: Arquitetura de sistemas de processamento de imagens e reconhecimento de padrões, pré-processamento, extração de atributos, aprendizado supervisionado e não supervisionado (agrupamentos), seleção de atributos, redução de dimensionalidade, validação cruzada, grid-search, métricas de desempenho de classificadores.

Bibliografia: G. Dougherty, "Digital Image Processing for medical applications", Cambridge, 2009. R.C.Gonzalez e R.E.Woods, "Digital Image Processing", Prentice Hall, 2008. I.N. Bankman, "Handbook of Medical Imaging: Processing and Analysis", Academic Press, 2009. T.M. Deserno, "Biomedical Image Processing", Springer, 2010.

Conteudo Programático: A disciplina oferece uma visão geral sobre a arquitetura de sistemas de processamento de imagens e reconhecimento de padrões, com foco na aplicação de técnicas de aprendizado supervisionado e não supervisionado. A primeira parte do curso trata do pré-processamento de imagens, essencial para a melhoria da qualidade dos dados antes da análise. São discutidas técnicas como filtragem, normalização, realce de contrastes e remoção de ruídos. Também são exploradas metodologias de extração de atributos, desde atributos de histograma, passando por atributos de forma e de textura. A disciplina também inclui a seleção de atributos, abordando técnicas para escolher as variáveis mais relevantes, a fim de melhorar a performance dos modelos e reduzir a complexidade computacional. São analisadas estratégias para a redução de dimensionalidade, como Análise de Componentes Principais (PCA), Análise Discriminante Linear (LDA), e o uso de árvore de decisão como forma de seleção de atributos. Na sequência, são introduzidos os principais conceitos de aprendizado supervisionado e não supervisionado, abordando suas diferenças, vantagens e aplicações. São discutidos métodos de agrupamento (clustering), além de técnicas de classificação supervisionada, incluindo máquinas de vetores de suporte (SVM), árvores de decisão e redes neurais. No que se refere à validação de modelos, a disciplina explora a importância da validação cruzada como método de avaliação robusta, garantindo a generalização dos modelos para dados não vistos. A técnica de grid-search também é abordada para otimização dos parâmetros dos modelos, ajudando a encontrar as melhores combinações de hiperparâmetros para os classificadores. Por fim, são discutidas as principais métricas de desempenho dos classificadores, como acurácia, precisão, recall, F1-score e a matriz de confusão, para avaliar a eficácia das técnicas de reconhecimento de padrões. O curso integra teoria e prática, incentivando o desenvolvimento de projetos que envolvam o uso das ferramentas e técnicas apresentadas para resolver problemas reais de processamento de imagens e reconhecimento de padrões.
Obs.: Consultar Catálogo vigente na DAC.

Forma Avaliação: Atividades e Projeto