Sistemas inteligentes baseados em deep-wavelet e redes neurais convolucionais para apoio ao diagnóstico de câncer de mama usando imagens termográficas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/45288 |
Resumo: | O câncer de mama é o tipo de câncer mais frequente e mortal entre as mulheres. Contudo, quanto mais cedo o câncer for diagnosticado melhores são as chances de recupe- ração da paciente. Atualmente, o exame mais bem aceito para a detecção do câncer de mama em pacientes assintomáticas é a mamografia. Porém, a mamografia é um exame que possui uma alta taxa de falso positivo. Além de ser um exame desconfortável, e que expõe a paciente a radiações ionizantes. Neste contexto, uma técnica emergente é a termografia de mama, a qual foi aprovada em 1982 pelo Food and Drugs Administration (FDA) como técnica auxiliar à mamografia. A termografia é uma técnica de menor custo comparada à mamografia, livre de radiações ionizantes e que não causa nenhum desconforto à paciente. Essa técnica é capaz de gerar uma imagem que apresenta medidas da distribuição de temperatura superficial da mama. É possível detectar lesões cancerígenas em imagens de termografia ao identificar perturbações no padrão de temperatura da mama, pois o crescimento cancerígeno está associado a eventos de maior produção de calor da região afetada, à neoangiogênese (produção de novos vasos sanguíneos) e ao aumento do fluxo sanguíneo. Por outro lado, a análise das imagens de termografia não é uma tarefa fácil. Sendo assim, o uso de técnicas da inteligência artificial para a análise das imagens pode desempenhar um papel relevante para a ampla utilização da termografia na detecção do câncer de mama. Este trabalho propõe o desenvolvimento de uma ferramenta baseada em técnicas da inteligência artificial para a detecção e classificação de lesões mamárias em imagens de termografia de mama. Além disso, neste trabalho é apresentada a formaliza- ção matemática de uma técnica da aprendizagem profunda para extração de atributos de imagens baseado na decomposição wavelet, chamada de Deep-Wavelet Neural Network (DWNN). Este método foi aplicado ao problema de classificação de imagens de termografia e seus resultados foram comparados com os resultados de seis redes neurais convolucio- nais do estado da arte. Os experimentos foram divididos de acordo com duas abordagens. Na primeira abordagem o objetivo foi detectar lesões mamárias entre imagens com e sem lesão. Na segunda abordagem o objetivo foi de classificar lesões entre as imagens de pacientes com cisto, lesão benigna e lesão maligna. Os melhores resultados foram obtidos ao utilizar a DWNN com seis camadas, tendo seus atributos selecionados pela Random Forest e classificados com a Máquina de Vetor de Suporte com kernel polinomial linear. Para a primeira abordagem a ferramenta atingiu: 99% de acurácia e 0,98 para o índice kappa. Enquanto que para a segunda abordagem o método conseguiu 97,3% de acurácia e 0,96 para o índice kappa. |
id |
UFPE_5eeca141b1ed4772f1195e37f47120e9 |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/45288 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
BARBOSA, Valter Augusto de Freitashttp://lattes.cnpq.br/6509212244841358http://lattes.cnpq.br/4457435468771667http://lattes.cnpq.br/6413917211782026LIMA, Rita de Cássia Fernandes deSANTOS, Wellington Pinheiro dos2022-07-28T11:44:01Z2022-07-28T11:44:01Z2022-02-10BARBOSA, Valter Augusto de Freitas. Sistemas inteligentes baseados em deep-wavelet e redes neurais convolucionais para apoio ao diagnóstico de câncer de mama usando imagens termográficas. 2022. Tese (Doutorado em Engenharia Mecânica) - Universidade Federal de Pernambuco, Recife, 2022.https://repositorio.ufpe.br/handle/123456789/45288O câncer de mama é o tipo de câncer mais frequente e mortal entre as mulheres. Contudo, quanto mais cedo o câncer for diagnosticado melhores são as chances de recupe- ração da paciente. Atualmente, o exame mais bem aceito para a detecção do câncer de mama em pacientes assintomáticas é a mamografia. Porém, a mamografia é um exame que possui uma alta taxa de falso positivo. Além de ser um exame desconfortável, e que expõe a paciente a radiações ionizantes. Neste contexto, uma técnica emergente é a termografia de mama, a qual foi aprovada em 1982 pelo Food and Drugs Administration (FDA) como técnica auxiliar à mamografia. A termografia é uma técnica de menor custo comparada à mamografia, livre de radiações ionizantes e que não causa nenhum desconforto à paciente. Essa técnica é capaz de gerar uma imagem que apresenta medidas da distribuição de temperatura superficial da mama. É possível detectar lesões cancerígenas em imagens de termografia ao identificar perturbações no padrão de temperatura da mama, pois o crescimento cancerígeno está associado a eventos de maior produção de calor da região afetada, à neoangiogênese (produção de novos vasos sanguíneos) e ao aumento do fluxo sanguíneo. Por outro lado, a análise das imagens de termografia não é uma tarefa fácil. Sendo assim, o uso de técnicas da inteligência artificial para a análise das imagens pode desempenhar um papel relevante para a ampla utilização da termografia na detecção do câncer de mama. Este trabalho propõe o desenvolvimento de uma ferramenta baseada em técnicas da inteligência artificial para a detecção e classificação de lesões mamárias em imagens de termografia de mama. Além disso, neste trabalho é apresentada a formaliza- ção matemática de uma técnica da aprendizagem profunda para extração de atributos de imagens baseado na decomposição wavelet, chamada de Deep-Wavelet Neural Network (DWNN). Este método foi aplicado ao problema de classificação de imagens de termografia e seus resultados foram comparados com os resultados de seis redes neurais convolucio- nais do estado da arte. Os experimentos foram divididos de acordo com duas abordagens. Na primeira abordagem o objetivo foi detectar lesões mamárias entre imagens com e sem lesão. Na segunda abordagem o objetivo foi de classificar lesões entre as imagens de pacientes com cisto, lesão benigna e lesão maligna. Os melhores resultados foram obtidos ao utilizar a DWNN com seis camadas, tendo seus atributos selecionados pela Random Forest e classificados com a Máquina de Vetor de Suporte com kernel polinomial linear. Para a primeira abordagem a ferramenta atingiu: 99% de acurácia e 0,98 para o índice kappa. Enquanto que para a segunda abordagem o método conseguiu 97,3% de acurácia e 0,96 para o índice kappa.CAPESBreast cancer is the most common and deadly type of cancer among women. However, the earlier the cancer is diagnosed, the better the patient’s chances of recovery. Currently, the most widely accepted test for detecting breast cancer in asymptomatic patients is mammography. However, mammography is a test that has a high rate of false positives. Moreover, it is an uncomfortable test, and also it exposes the patient to ionizing radiation. In this context, an emerging technique is breast thermography, which was approved in 1982 by the Food and Drugs Administration (FDA) as an auxiliary technique to mammography. Thermography is a lower cost technique compared to mammography, free of ionizing radiation and does not cause any discomfort to the patient. This technique is capable of generating an image that represents the breast surface temperature distribution measures. It is possible to detect cancerous lesions in thermography images by identifying disturbances in the breast temperature pattern, as cancerous growth is associated with events of greater heat production in the affected region, the neoangiogenesis (production of new blood vessels) and increased flow blood. On the other hand, analyzing thermography images is not an easy task. Thus, the use of artificial intelligence techniques for image analysis can play a relevant role in the wide use of thermography in the detection of breast cancer. This work proposes the development of a tool based on artificial intelligence techniques for the detection and classification of breast lesions in breast thermography images. In addition, this work presents the mathematical formalization of a deep learning technique for image attribute extraction based on wavelet decomposition, called the Deep-Wavelet Neural Network (DWNN). This method was applied to the thermography image classification problem and its results were compared with the results of six state-of-the-art convolutional neural networks. The experiments were divided according to two approaches. In the first approach, the objective is to detect breast lesions between images with and without lesions. In the second approach, the objective is to classify lesions among the images from patients with cysts, benign lesions and malignant lesions. The best results were obtained using the DWNN with six layers, having its attributes selected by Random Forest and classified with the Support Vector Machine with linear polynomial kernel. For the first approach, the tool reached 99% of accuracy and 0.98 for kappa index. While for the second approach, the method achieved 97.3% of accuracy and 0.96 for kappa index.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Engenharia MecanicaUFPEBrasilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessEngenharia MecânicaCâncer de mamaTermografiaArquiteturas profundas híbridasDeep-wavelet neural networksRedes neurais convolucionaisDiagnósticoSistemas inteligentes baseados em deep-wavelet e redes neurais convolucionais para apoio ao diagnóstico de câncer de mama usando imagens termográficasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisdoutoradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPEORIGINALTESE Valter Augusto de Freitas Barbosa.pdfTESE Valter Augusto de Freitas Barbosa.pdfapplication/pdf11364176https://repositorio.ufpe.br/bitstream/123456789/45288/1/TESE%20Valter%20Augusto%20de%20Freitas%20Barbosa.pdfaf7055c3cb3faa102791636303461fdcMD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/45288/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82142https://repositorio.ufpe.br/bitstream/123456789/45288/3/license.txt6928b9260b07fb2755249a5ca9903395MD53TEXTTESE Valter Augusto de Freitas Barbosa.pdf.txtTESE Valter Augusto de Freitas Barbosa.pdf.txtExtracted texttext/plain280959https://repositorio.ufpe.br/bitstream/123456789/45288/4/TESE%20Valter%20Augusto%20de%20Freitas%20Barbosa.pdf.txt7945db8ccbdcef6b22f4867c015b613dMD54THUMBNAILTESE Valter Augusto de Freitas Barbosa.pdf.jpgTESE Valter Augusto de Freitas Barbosa.pdf.jpgGenerated Thumbnailimage/jpeg1318https://repositorio.ufpe.br/bitstream/123456789/45288/5/TESE%20Valter%20Augusto%20de%20Freitas%20Barbosa.pdf.jpgcf43b267f4499458df5c581a578b1b4fMD55123456789/452882022-07-29 02:35:45.04oai:repositorio.ufpe.br:123456789/45288VGVybW8gZGUgRGVww7NzaXRvIExlZ2FsIGUgQXV0b3JpemHDp8OjbyBwYXJhIFB1YmxpY2HDp8OjbyBkZSBEb2N1bWVudG9zIG5vIFJlcG9zaXTDs3JpbyBEaWdpdGFsIGRhIFVGUEUKIAoKRGVjbGFybyBlc3RhciBjaWVudGUgZGUgcXVlIGVzdGUgVGVybW8gZGUgRGVww7NzaXRvIExlZ2FsIGUgQXV0b3JpemHDp8OjbyB0ZW0gbyBvYmpldGl2byBkZSBkaXZ1bGdhw6fDo28gZG9zIGRvY3VtZW50b3MgZGVwb3NpdGFkb3Mgbm8gUmVwb3NpdMOzcmlvIERpZ2l0YWwgZGEgVUZQRSBlIGRlY2xhcm8gcXVlOgoKSSAtICBvIGNvbnRlw7pkbyBkaXNwb25pYmlsaXphZG8gw6kgZGUgcmVzcG9uc2FiaWxpZGFkZSBkZSBzdWEgYXV0b3JpYTsKCklJIC0gbyBjb250ZcO6ZG8gw6kgb3JpZ2luYWwsIGUgc2UgbyB0cmFiYWxobyBlL291IHBhbGF2cmFzIGRlIG91dHJhcyBwZXNzb2FzIGZvcmFtIHV0aWxpemFkb3MsIGVzdGFzIGZvcmFtIGRldmlkYW1lbnRlIHJlY29uaGVjaWRhczsKCklJSSAtIHF1YW5kbyB0cmF0YXItc2UgZGUgVHJhYmFsaG8gZGUgQ29uY2x1c8OjbyBkZSBDdXJzbywgRGlzc2VydGHDp8OjbyBvdSBUZXNlOiBvIGFycXVpdm8gZGVwb3NpdGFkbyBjb3JyZXNwb25kZSDDoCB2ZXJzw6NvIGZpbmFsIGRvIHRyYWJhbGhvOwoKSVYgLSBxdWFuZG8gdHJhdGFyLXNlIGRlIFRyYWJhbGhvIGRlIENvbmNsdXPDo28gZGUgQ3Vyc28sIERpc3NlcnRhw6fDo28gb3UgVGVzZTogZXN0b3UgY2llbnRlIGRlIHF1ZSBhIGFsdGVyYcOnw6NvIGRhIG1vZGFsaWRhZGUgZGUgYWNlc3NvIGFvIGRvY3VtZW50byBhcMOzcyBvIGRlcMOzc2l0byBlIGFudGVzIGRlIGZpbmRhciBvIHBlcsOtb2RvIGRlIGVtYmFyZ28sIHF1YW5kbyBmb3IgZXNjb2xoaWRvIGFjZXNzbyByZXN0cml0bywgc2Vyw6EgcGVybWl0aWRhIG1lZGlhbnRlIHNvbGljaXRhw6fDo28gZG8gKGEpIGF1dG9yIChhKSBhbyBTaXN0ZW1hIEludGVncmFkbyBkZSBCaWJsaW90ZWNhcyBkYSBVRlBFIChTSUIvVUZQRSkuCgogClBhcmEgdHJhYmFsaG9zIGVtIEFjZXNzbyBBYmVydG86CgpOYSBxdWFsaWRhZGUgZGUgdGl0dWxhciBkb3MgZGlyZWl0b3MgYXV0b3JhaXMgZGUgYXV0b3IgcXVlIHJlY2FlbSBzb2JyZSBlc3RlIGRvY3VtZW50bywgZnVuZGFtZW50YWRvIG5hIExlaSBkZSBEaXJlaXRvIEF1dG9yYWwgbm8gOS42MTAsIGRlIDE5IGRlIGZldmVyZWlybyBkZSAxOTk4LCBhcnQuIDI5LCBpbmNpc28gSUlJLCBhdXRvcml6byBhIFVuaXZlcnNpZGFkZSBGZWRlcmFsIGRlIFBlcm5hbWJ1Y28gYSBkaXNwb25pYmlsaXphciBncmF0dWl0YW1lbnRlLCBzZW0gcmVzc2FyY2ltZW50byBkb3MgZGlyZWl0b3MgYXV0b3JhaXMsIHBhcmEgZmlucyBkZSBsZWl0dXJhLCBpbXByZXNzw6NvIGUvb3UgZG93bmxvYWQgKGFxdWlzacOnw6NvKSBhdHJhdsOpcyBkbyBzaXRlIGRvIFJlcG9zaXTDs3JpbyBEaWdpdGFsIGRhIFVGUEUgbm8gZW5kZXJlw6dvIGh0dHA6Ly93d3cucmVwb3NpdG9yaW8udWZwZS5iciwgYSBwYXJ0aXIgZGEgZGF0YSBkZSBkZXDDs3NpdG8uCgogClBhcmEgdHJhYmFsaG9zIGVtIEFjZXNzbyBSZXN0cml0bzoKCk5hIHF1YWxpZGFkZSBkZSB0aXR1bGFyIGRvcyBkaXJlaXRvcyBhdXRvcmFpcyBkZSBhdXRvciBxdWUgcmVjYWVtIHNvYnJlIGVzdGUgZG9jdW1lbnRvLCBmdW5kYW1lbnRhZG8gbmEgTGVpIGRlIERpcmVpdG8gQXV0b3JhbCBubyA5LjYxMCBkZSAxOSBkZSBmZXZlcmVpcm8gZGUgMTk5OCwgYXJ0LiAyOSwgaW5jaXNvIElJSSwgYXV0b3Jpem8gYSBVbml2ZXJzaWRhZGUgRmVkZXJhbCBkZSBQZXJuYW1idWNvIGEgZGlzcG9uaWJpbGl6YXIgZ3JhdHVpdGFtZW50ZSwgc2VtIHJlc3NhcmNpbWVudG8gZG9zIGRpcmVpdG9zIGF1dG9yYWlzLCBwYXJhIGZpbnMgZGUgbGVpdHVyYSwgaW1wcmVzc8OjbyBlL291IGRvd25sb2FkIChhcXVpc2nDp8OjbykgYXRyYXbDqXMgZG8gc2l0ZSBkbyBSZXBvc2l0w7NyaW8gRGlnaXRhbCBkYSBVRlBFIG5vIGVuZGVyZcOnbyBodHRwOi8vd3d3LnJlcG9zaXRvcmlvLnVmcGUuYnIsIHF1YW5kbyBmaW5kYXIgbyBwZXLDrW9kbyBkZSBlbWJhcmdvIGNvbmRpemVudGUgYW8gdGlwbyBkZSBkb2N1bWVudG8sIGNvbmZvcm1lIGluZGljYWRvIG5vIGNhbXBvIERhdGEgZGUgRW1iYXJnby4KRepositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212022-07-29T05:35:45Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Sistemas inteligentes baseados em deep-wavelet e redes neurais convolucionais para apoio ao diagnóstico de câncer de mama usando imagens termográficas |
title |
Sistemas inteligentes baseados em deep-wavelet e redes neurais convolucionais para apoio ao diagnóstico de câncer de mama usando imagens termográficas |
spellingShingle |
Sistemas inteligentes baseados em deep-wavelet e redes neurais convolucionais para apoio ao diagnóstico de câncer de mama usando imagens termográficas BARBOSA, Valter Augusto de Freitas Engenharia Mecânica Câncer de mama Termografia Arquiteturas profundas híbridas Deep-wavelet neural networks Redes neurais convolucionais Diagnóstico |
title_short |
Sistemas inteligentes baseados em deep-wavelet e redes neurais convolucionais para apoio ao diagnóstico de câncer de mama usando imagens termográficas |
title_full |
Sistemas inteligentes baseados em deep-wavelet e redes neurais convolucionais para apoio ao diagnóstico de câncer de mama usando imagens termográficas |
title_fullStr |
Sistemas inteligentes baseados em deep-wavelet e redes neurais convolucionais para apoio ao diagnóstico de câncer de mama usando imagens termográficas |
title_full_unstemmed |
Sistemas inteligentes baseados em deep-wavelet e redes neurais convolucionais para apoio ao diagnóstico de câncer de mama usando imagens termográficas |
title_sort |
Sistemas inteligentes baseados em deep-wavelet e redes neurais convolucionais para apoio ao diagnóstico de câncer de mama usando imagens termográficas |
author |
BARBOSA, Valter Augusto de Freitas |
author_facet |
BARBOSA, Valter Augusto de Freitas |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/6509212244841358 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/4457435468771667 http://lattes.cnpq.br/6413917211782026 |
dc.contributor.author.fl_str_mv |
BARBOSA, Valter Augusto de Freitas |
dc.contributor.advisor1.fl_str_mv |
LIMA, Rita de Cássia Fernandes de SANTOS, Wellington Pinheiro dos |
contributor_str_mv |
LIMA, Rita de Cássia Fernandes de SANTOS, Wellington Pinheiro dos |
dc.subject.por.fl_str_mv |
Engenharia Mecânica Câncer de mama Termografia Arquiteturas profundas híbridas Deep-wavelet neural networks Redes neurais convolucionais Diagnóstico |
topic |
Engenharia Mecânica Câncer de mama Termografia Arquiteturas profundas híbridas Deep-wavelet neural networks Redes neurais convolucionais Diagnóstico |
description |
O câncer de mama é o tipo de câncer mais frequente e mortal entre as mulheres. Contudo, quanto mais cedo o câncer for diagnosticado melhores são as chances de recupe- ração da paciente. Atualmente, o exame mais bem aceito para a detecção do câncer de mama em pacientes assintomáticas é a mamografia. Porém, a mamografia é um exame que possui uma alta taxa de falso positivo. Além de ser um exame desconfortável, e que expõe a paciente a radiações ionizantes. Neste contexto, uma técnica emergente é a termografia de mama, a qual foi aprovada em 1982 pelo Food and Drugs Administration (FDA) como técnica auxiliar à mamografia. A termografia é uma técnica de menor custo comparada à mamografia, livre de radiações ionizantes e que não causa nenhum desconforto à paciente. Essa técnica é capaz de gerar uma imagem que apresenta medidas da distribuição de temperatura superficial da mama. É possível detectar lesões cancerígenas em imagens de termografia ao identificar perturbações no padrão de temperatura da mama, pois o crescimento cancerígeno está associado a eventos de maior produção de calor da região afetada, à neoangiogênese (produção de novos vasos sanguíneos) e ao aumento do fluxo sanguíneo. Por outro lado, a análise das imagens de termografia não é uma tarefa fácil. Sendo assim, o uso de técnicas da inteligência artificial para a análise das imagens pode desempenhar um papel relevante para a ampla utilização da termografia na detecção do câncer de mama. Este trabalho propõe o desenvolvimento de uma ferramenta baseada em técnicas da inteligência artificial para a detecção e classificação de lesões mamárias em imagens de termografia de mama. Além disso, neste trabalho é apresentada a formaliza- ção matemática de uma técnica da aprendizagem profunda para extração de atributos de imagens baseado na decomposição wavelet, chamada de Deep-Wavelet Neural Network (DWNN). Este método foi aplicado ao problema de classificação de imagens de termografia e seus resultados foram comparados com os resultados de seis redes neurais convolucio- nais do estado da arte. Os experimentos foram divididos de acordo com duas abordagens. Na primeira abordagem o objetivo foi detectar lesões mamárias entre imagens com e sem lesão. Na segunda abordagem o objetivo foi de classificar lesões entre as imagens de pacientes com cisto, lesão benigna e lesão maligna. Os melhores resultados foram obtidos ao utilizar a DWNN com seis camadas, tendo seus atributos selecionados pela Random Forest e classificados com a Máquina de Vetor de Suporte com kernel polinomial linear. Para a primeira abordagem a ferramenta atingiu: 99% de acurácia e 0,98 para o índice kappa. Enquanto que para a segunda abordagem o método conseguiu 97,3% de acurácia e 0,96 para o índice kappa. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-07-28T11:44:01Z |
dc.date.available.fl_str_mv |
2022-07-28T11:44:01Z |
dc.date.issued.fl_str_mv |
2022-02-10 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
BARBOSA, Valter Augusto de Freitas. Sistemas inteligentes baseados em deep-wavelet e redes neurais convolucionais para apoio ao diagnóstico de câncer de mama usando imagens termográficas. 2022. Tese (Doutorado em Engenharia Mecânica) - Universidade Federal de Pernambuco, Recife, 2022. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/45288 |
identifier_str_mv |
BARBOSA, Valter Augusto de Freitas. Sistemas inteligentes baseados em deep-wavelet e redes neurais convolucionais para apoio ao diagnóstico de câncer de mama usando imagens termográficas. 2022. Tese (Doutorado em Engenharia Mecânica) - Universidade Federal de Pernambuco, Recife, 2022. |
url |
https://repositorio.ufpe.br/handle/123456789/45288 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.publisher.program.fl_str_mv |
Programa de Pos Graduacao em Engenharia Mecanica |
dc.publisher.initials.fl_str_mv |
UFPE |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPE instname:Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
instname_str |
Universidade Federal de Pernambuco (UFPE) |
instacron_str |
UFPE |
institution |
UFPE |
reponame_str |
Repositório Institucional da UFPE |
collection |
Repositório Institucional da UFPE |
bitstream.url.fl_str_mv |
https://repositorio.ufpe.br/bitstream/123456789/45288/1/TESE%20Valter%20Augusto%20de%20Freitas%20Barbosa.pdf https://repositorio.ufpe.br/bitstream/123456789/45288/2/license_rdf https://repositorio.ufpe.br/bitstream/123456789/45288/3/license.txt https://repositorio.ufpe.br/bitstream/123456789/45288/4/TESE%20Valter%20Augusto%20de%20Freitas%20Barbosa.pdf.txt https://repositorio.ufpe.br/bitstream/123456789/45288/5/TESE%20Valter%20Augusto%20de%20Freitas%20Barbosa.pdf.jpg |
bitstream.checksum.fl_str_mv |
af7055c3cb3faa102791636303461fdc e39d27027a6cc9cb039ad269a5db8e34 6928b9260b07fb2755249a5ca9903395 7945db8ccbdcef6b22f4867c015b613d cf43b267f4499458df5c581a578b1b4f |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
repository.mail.fl_str_mv |
attena@ufpe.br |
_version_ |
1802310696717778944 |