Segmenta??o pulmonar em imagens de radiografias de t?rax utilizando redes neurais convolucionais

• Autor(a) principal: Oliveira, Kaique Rijkaard de Sousa
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional do IFPB
• Texto Completo: http://repositorio.ifpb.edu.br/jspui/handle/177683/3057
• topic: Processamento de sinais; Rede neural convolucional; Radiografia; COVID-19

As redes neurais convolucionais s?o comumente aplicadas em imagens m?dicas como radiografia, tomografia computadorizada, entre outras, com intuito de classificar ou segmentar patologias. Contudo em procedimentos nas imagens de radiografia de t?rax para segmentar as regi?es pulmonares, ocorrem falhas que podem ser por causa das caracter?sticas externa as regi?es de interesse. Dessa forma, esta disserta??o tem o objetivo de analisar as segmenta??es das regi?es dos pulm?es, utilizando as redes UNet e MultiResUNet nas classes saud?vel, com COVID-19 e n?o COVID, verificando sua performance com as medidas de desempenho de ?ndice de Jaccard e Coeficiente Dice. Os estudos s?o realizados por categorias para identificar os comportamentos dos modelos para cada classe, e posteriormente avaliar processamentos que possam otimizar a rede neural. Nos resultados entre as classes, a categoria n?o COVID teve mais dificuldade na identifica??o dos modelos do que nas demais classes. A m?dia das m?tricas de desempenho das classes sem pr?-processamento obteve os melhores resultados, nos quais a UNet alcan?ou o ?ndice de Jaccard de 94, 29% e Coeficiente Dice de 97, 00% e a MultiResUNet conseguiu o ?ndice de Jaccard de 94, 15% e Coeficiente Dice de 96, 93%. Nos cen?rios analisados, ambos os modelos obtiveram valores de medidas de desempenho semelhantes, entretanto a UNet apresentou maior efici?ncia devido as suas execu??es, tanto no treinamento quanto nas detec??es, ocorrerem em um per?odo de tempo inferior ao da MultiResUNet.