Segmenta??o pulmonar em imagens de radiografias de t?rax utilizando redes neurais convolucionais
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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. |
id |
IFPB_f55ec8f9aa698b56cefc693f23612af1 |
---|---|
oai_identifier_str |
oai:repositorio.ifpb.edu.br:177683/3057 |
network_acronym_str |
IFPB |
network_name_str |
Repositório Institucional do IFPB |
repository_id_str |
|
spelling |
Oliveira, Kaique Rijkaard de Sousa2023-08-03T11:12:55Z2023-08-03T11:12:55Z2023-08-02http://repositorio.ifpb.edu.br/jspui/handle/177683/3057As 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.Submitted by Programa de P?s-Gradua??o Engenharia El?trica (ppgee@ifpb.edu.br) on 2023-08-03T00:02:21Z No. of bitstreams: 4 dissertacao-mestrado-kaique-rijkaard.pdf: 4262150 bytes, checksum: d2167caf14afedb6fa7a9a10f8b32152 (MD5) termo_de_autorizacao_de_postagem_no_repositorio_digital-1_assinado.pdf: 188752 bytes, checksum: 0c63d2f6f4b1275eab3327edb37ac923 (MD5) autorizacao_de_direitos_autorais_capes_assinado.pdf: 87909 bytes, checksum: c12befe3652c1e2f9d496bb759e8ab9b (MD5) declaracao-orientador-correcoes-finais-dissertacao-kaique-1.pdf: 98294 bytes, checksum: 6282795cc2baaa41d3e9e3263e69d5dc (MD5)Approved for entry into archive by Josinete Nobrega Araujo (josinete@ifpb.edu.br) on 2023-08-03T11:12:55Z (GMT) No. of bitstreams: 4 dissertacao-mestrado-kaique-rijkaard.pdf: 4262150 bytes, checksum: d2167caf14afedb6fa7a9a10f8b32152 (MD5) termo_de_autorizacao_de_postagem_no_repositorio_digital-1_assinado.pdf: 188752 bytes, checksum: 0c63d2f6f4b1275eab3327edb37ac923 (MD5) autorizacao_de_direitos_autorais_capes_assinado.pdf: 87909 bytes, checksum: c12befe3652c1e2f9d496bb759e8ab9b (MD5) declaracao-orientador-correcoes-finais-dissertacao-kaique-1.pdf: 98294 bytes, checksum: 6282795cc2baaa41d3e9e3263e69d5dc (MD5)Made available in DSpace on 2023-08-03T11:12:55Z (GMT). No. of bitstreams: 4 dissertacao-mestrado-kaique-rijkaard.pdf: 4262150 bytes, checksum: d2167caf14afedb6fa7a9a10f8b32152 (MD5) termo_de_autorizacao_de_postagem_no_repositorio_digital-1_assinado.pdf: 188752 bytes, checksum: 0c63d2f6f4b1275eab3327edb37ac923 (MD5) autorizacao_de_direitos_autorais_capes_assinado.pdf: 87909 bytes, checksum: c12befe3652c1e2f9d496bb759e8ab9b (MD5) declaracao-orientador-correcoes-finais-dissertacao-kaique-1.pdf: 98294 bytes, checksum: 6282795cc2baaa41d3e9e3263e69d5dc (MD5) Previous issue date: 2023-08-02Processamento de sinaisRede neural convolucionalRadiografiaCOVID-19Segmenta??o pulmonar em imagens de radiografias de t?rax utilizando redes neurais convolucionaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional do IFPBinstname:Instituto Federal da Paraíba (IFPB)instacron:IFPBinfo:eu-repo/semantics/openAccessDisserta??oInstituto Federal da Para?baIFPB - Campus Jo?o PessoaORIGINALdissertacao-mestrado-kaique-rijkaard.pdfdissertacao-mestrado-kaique-rijkaard.pdfapplication/pdf4262150http://repositorio.ifpb.edu.br/jspui/bitstream/177683/3057/1/dissertacao-mestrado-kaique-rijkaard.pdfd2167caf14afedb6fa7a9a10f8b32152MD51termo_de_autorizacao_de_postagem_no_repositorio_digital-1_assinado.pdftermo_de_autorizacao_de_postagem_no_repositorio_digital-1_assinado.pdfapplication/pdf188752http://repositorio.ifpb.edu.br/jspui/bitstream/177683/3057/2/termo_de_autorizacao_de_postagem_no_repositorio_digital-1_assinado.pdf0c63d2f6f4b1275eab3327edb37ac923MD52autorizacao_de_direitos_autorais_capes_assinado.pdfautorizacao_de_direitos_autorais_capes_assinado.pdfapplication/pdf87909http://repositorio.ifpb.edu.br/jspui/bitstream/177683/3057/3/autorizacao_de_direitos_autorais_capes_assinado.pdfc12befe3652c1e2f9d496bb759e8ab9bMD53declaracao-orientador-correcoes-finais-dissertacao-kaique-1.pdfdeclaracao-orientador-correcoes-finais-dissertacao-kaique-1.pdfapplication/pdf98294http://repositorio.ifpb.edu.br/jspui/bitstream/177683/3057/4/declaracao-orientador-correcoes-finais-dissertacao-kaique-1.pdf6282795cc2baaa41d3e9e3263e69d5dcMD54177683/30572023-08-03 08:12:55.884oai:repositorio.ifpb.edu.br:177683/3057Repositório InstitucionalPUBhttp://repositorio.ifpb.edu.br/oai/requestrepositoriodigital@ifpb.edu.bropendoar:2023-08-03T11:12:55Repositório Institucional do IFPB - Instituto Federal da Paraíba (IFPB)false |
dc.title.pt_BR.fl_str_mv |
Segmenta??o pulmonar em imagens de radiografias de t?rax utilizando redes neurais convolucionais |
title |
Segmenta??o pulmonar em imagens de radiografias de t?rax utilizando redes neurais convolucionais |
spellingShingle |
Segmenta??o pulmonar em imagens de radiografias de t?rax utilizando redes neurais convolucionais Oliveira, Kaique Rijkaard de Sousa Processamento de sinais Rede neural convolucional Radiografia COVID-19 |
title_short |
Segmenta??o pulmonar em imagens de radiografias de t?rax utilizando redes neurais convolucionais |
title_full |
Segmenta??o pulmonar em imagens de radiografias de t?rax utilizando redes neurais convolucionais |
title_fullStr |
Segmenta??o pulmonar em imagens de radiografias de t?rax utilizando redes neurais convolucionais |
title_full_unstemmed |
Segmenta??o pulmonar em imagens de radiografias de t?rax utilizando redes neurais convolucionais |
title_sort |
Segmenta??o pulmonar em imagens de radiografias de t?rax utilizando redes neurais convolucionais |
author |
Oliveira, Kaique Rijkaard de Sousa |
author_facet |
Oliveira, Kaique Rijkaard de Sousa |
author_role |
author |
dc.contributor.author.fl_str_mv |
Oliveira, Kaique Rijkaard de Sousa |
dc.subject.por.fl_str_mv |
Processamento de sinais Rede neural convolucional Radiografia COVID-19 |
topic |
Processamento de sinais Rede neural convolucional Radiografia COVID-19 |
description |
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. |
publishDate |
2023 |
dc.date.accessioned.fl_str_mv |
2023-08-03T11:12:55Z |
dc.date.available.fl_str_mv |
2023-08-03T11:12:55Z |
dc.date.issued.fl_str_mv |
2023-08-02 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://repositorio.ifpb.edu.br/jspui/handle/177683/3057 |
url |
http://repositorio.ifpb.edu.br/jspui/handle/177683/3057 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional do IFPB instname:Instituto Federal da Paraíba (IFPB) instacron:IFPB |
instname_str |
Instituto Federal da Paraíba (IFPB) |
instacron_str |
IFPB |
institution |
IFPB |
reponame_str |
Repositório Institucional do IFPB |
collection |
Repositório Institucional do IFPB |
bitstream.url.fl_str_mv |
http://repositorio.ifpb.edu.br/jspui/bitstream/177683/3057/1/dissertacao-mestrado-kaique-rijkaard.pdf http://repositorio.ifpb.edu.br/jspui/bitstream/177683/3057/2/termo_de_autorizacao_de_postagem_no_repositorio_digital-1_assinado.pdf http://repositorio.ifpb.edu.br/jspui/bitstream/177683/3057/3/autorizacao_de_direitos_autorais_capes_assinado.pdf http://repositorio.ifpb.edu.br/jspui/bitstream/177683/3057/4/declaracao-orientador-correcoes-finais-dissertacao-kaique-1.pdf |
bitstream.checksum.fl_str_mv |
d2167caf14afedb6fa7a9a10f8b32152 0c63d2f6f4b1275eab3327edb37ac923 c12befe3652c1e2f9d496bb759e8ab9b 6282795cc2baaa41d3e9e3263e69d5dc |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional do IFPB - Instituto Federal da Paraíba (IFPB) |
repository.mail.fl_str_mv |
repositoriodigital@ifpb.edu.br |
_version_ |
1801660449419165696 |