Pathology localization on chest radiographs with limited supervision via semi-supervised multiple instance learning
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | eng |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da PUC_RS |
Texto Completo: | http://tede2.pucrs.br/tede2/handle/tede/9790 |
Resumo: | Radiografias são exames primários para a avaliação das condições do tórax. Na prática clínica, vem se popularizando a utilização de abordagens de aprendizado profundo para apoiar radiologistas no processo de tomada de decisão visando aumentar a acurácia diagnóstica. Para dar suporte adequado aos radiologistas, é insuficiente um modelo que simplesmente infere um rótulo diagnóstico. Idealmente, o modelo deve fornecer mais informações para apoiar o resultado da classificação, como a localização espacial do achado radiológico. Para treinar adequadamente modelos de aprendizado profundo, geralmente é necessário utilizar muitos dados anotados. Há uma grande quantidade de imagens de radiografias de tórax disponíveis publicamente, anotadas de acordo com a presença de achados radiológicos, mas poucas contêm uma anotação com a localização desses achados. O objetivo deste trabalho é utilizar a quantia limitada de dados anotados e a vasta quantia de dados não anotados para melhorar o desempenho de métodos de localização automática de patologias em radiografias de tórax. Identificamos o estado-da-arte de métodos semi-supervisionados e avaliamos seu desempenho em um cenário de classificação. Em seguida, estendemos o melhor método, Mean Teacher, para realizar a tarefa de localização em um framework de aprendizado de múltiplas instâncias, introduzindo nosso método C-MIL. Nesse paradigma, existem dois tipos de rótulos: um rótulo geral que é conhecido, e um rótulo mais específico e desconhecido mas que é relacionado ao conhecido, no caso, a presença de patologia e sua localização. Os resultados mostram melhorias na aplicação de regularização de consistência em um cenário de localização por meio de aprendizado de múltiplas instâncias e demonstram que os métodos de aprendizado semi-supervisionado são promissores para o avanço do desempenho de métodos de localização automática de patologias em imagens médicas. |
id |
P_RS_46d04f2c5711da7ac2aed4beb2cd538e |
---|---|
oai_identifier_str |
oai:tede2.pucrs.br:tede/9790 |
network_acronym_str |
P_RS |
network_name_str |
Biblioteca Digital de Teses e Dissertações da PUC_RS |
repository_id_str |
|
spelling |
Barros, Rodrigo Coelhohttp://lattes.cnpq.br/8172124241767828http://lattes.cnpq.br/3924919787895827Pooch, Eduardo Henrique Pais2021-07-20T19:18:32Z2021-03-25http://tede2.pucrs.br/tede2/handle/tede/9790Radiografias são exames primários para a avaliação das condições do tórax. Na prática clínica, vem se popularizando a utilização de abordagens de aprendizado profundo para apoiar radiologistas no processo de tomada de decisão visando aumentar a acurácia diagnóstica. Para dar suporte adequado aos radiologistas, é insuficiente um modelo que simplesmente infere um rótulo diagnóstico. Idealmente, o modelo deve fornecer mais informações para apoiar o resultado da classificação, como a localização espacial do achado radiológico. Para treinar adequadamente modelos de aprendizado profundo, geralmente é necessário utilizar muitos dados anotados. Há uma grande quantidade de imagens de radiografias de tórax disponíveis publicamente, anotadas de acordo com a presença de achados radiológicos, mas poucas contêm uma anotação com a localização desses achados. O objetivo deste trabalho é utilizar a quantia limitada de dados anotados e a vasta quantia de dados não anotados para melhorar o desempenho de métodos de localização automática de patologias em radiografias de tórax. Identificamos o estado-da-arte de métodos semi-supervisionados e avaliamos seu desempenho em um cenário de classificação. Em seguida, estendemos o melhor método, Mean Teacher, para realizar a tarefa de localização em um framework de aprendizado de múltiplas instâncias, introduzindo nosso método C-MIL. Nesse paradigma, existem dois tipos de rótulos: um rótulo geral que é conhecido, e um rótulo mais específico e desconhecido mas que é relacionado ao conhecido, no caso, a presença de patologia e sua localização. Os resultados mostram melhorias na aplicação de regularização de consistência em um cenário de localização por meio de aprendizado de múltiplas instâncias e demonstram que os métodos de aprendizado semi-supervisionado são promissores para o avanço do desempenho de métodos de localização automática de patologias em imagens médicas.Radiographs are the primary examination for diagnosing chest conditions, and yet they are frequently misread/misdiagnosed due to human-observer confusion. In clinical practice, there is an increase of deep learning approaches to support radiologists on the decision-making process to improve diagnostic accuracy. To properly support radiologists, it is insufficient for the system to simply output a diagnosis label. Ideally, the model should provide more information to support the classification result, such as the spatial localization of the finding. To properly train deep learning models, we usually need lots of annotated data. There is a vast amount of publicly-available chest radiographs labeled according to their radiological findings (labels for classification), but very few contain a location annotation. Our goal is to extend the use of unlabeled data to improve pathology localization in chest radiographs in a scenario with limited labeled data. We identify state-of-the-art semi-supervised methods and evaluated their performance on a classification scenario. Next, we extend the best method, Mean Teacher, to perform localization within a multiple instance learning framework, introducing our method C-MIL. Multiple instance learning is a paradigm with two types of labels: a general label that is known, and a more specific and unknown label but related to the one known, in our case, pathology presence and its localization. Our results show improvements of applying consistency regularization over a multiple instance localization framework and demonstrate that semi-supervised learning methods are promising to advance the state-of-the-art performance of pathology localization methods.Submitted by PPG Ciência da Computação (ppgcc@pucrs.br) on 2021-07-16T12:48:31Z No. of bitstreams: 1 EDUARDO HENRIQUE PAIS POOCH_DIS.pdf: 7107720 bytes, checksum: 304786d644074c15caf7635b74472b97 (MD5)Approved for entry into archive by Sarajane Pan (sarajane.pan@pucrs.br) on 2021-07-20T19:11:48Z (GMT) No. of bitstreams: 1 EDUARDO HENRIQUE PAIS POOCH_DIS.pdf: 7107720 bytes, checksum: 304786d644074c15caf7635b74472b97 (MD5)Made available in DSpace on 2021-07-20T19:18:32Z (GMT). No. of bitstreams: 1 EDUARDO HENRIQUE PAIS POOCH_DIS.pdf: 7107720 bytes, checksum: 304786d644074c15caf7635b74472b97 (MD5) Previous issue date: 2021-03-25application/pdfhttp://tede2.pucrs.br:80/tede2/retrieve/181646/EDUARDO%20HENRIQUE%20PAIS%20POOCH_DIS.pdf.jpgengPontifícia Universidade Católica do Rio Grande do SulPrograma de Pós-Graduação em Ciência da ComputaçãoPUCRSBrasilEscola PolitécnicaDeep LearningMedical ImagingSemi-Supervised LearningMultiple Instance LearningAprendizado ProfundoImagens MédicasAprendizado Semi-SupervisionadoAprendizado de Múltiplas InstânciasCIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAOPathology localization on chest radiographs with limited supervision via semi-supervised multiple instance learningLocalização de patologias em radiografias de tórax com supervisão limitada via aprendizado de múltiplas instâncias semi-supervisionadoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisTrabalho não apresenta restrição para publicação-4570527706994352458500500-862078257083325301info:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da PUC_RSinstname:Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS)instacron:PUC_RSTHUMBNAILEDUARDO HENRIQUE PAIS POOCH_DIS.pdf.jpgEDUARDO HENRIQUE PAIS POOCH_DIS.pdf.jpgimage/jpeg5391http://tede2.pucrs.br/tede2/bitstream/tede/9790/4/EDUARDO+HENRIQUE+PAIS+POOCH_DIS.pdf.jpg0f0fd4f6d78d7d632a7c8f4260f99192MD54TEXTEDUARDO HENRIQUE PAIS POOCH_DIS.pdf.txtEDUARDO HENRIQUE PAIS POOCH_DIS.pdf.txttext/plain148013http://tede2.pucrs.br/tede2/bitstream/tede/9790/3/EDUARDO+HENRIQUE+PAIS+POOCH_DIS.pdf.txt62c4a58469d8b7833bb26856482b5647MD53ORIGINALEDUARDO HENRIQUE PAIS POOCH_DIS.pdfEDUARDO HENRIQUE PAIS POOCH_DIS.pdfapplication/pdf7107720http://tede2.pucrs.br/tede2/bitstream/tede/9790/2/EDUARDO+HENRIQUE+PAIS+POOCH_DIS.pdf304786d644074c15caf7635b74472b97MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-8590http://tede2.pucrs.br/tede2/bitstream/tede/9790/1/license.txt220e11f2d3ba5354f917c7035aadef24MD51tede/97902021-07-20 20:00:11.744oai:tede2.pucrs.br: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Biblioteca Digital de Teses e Dissertaçõeshttp://tede2.pucrs.br/tede2/PRIhttps://tede2.pucrs.br/oai/requestbiblioteca.central@pucrs.br||opendoar:2021-07-20T23:00:11Biblioteca Digital de Teses e Dissertações da PUC_RS - Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS)false |
dc.title.por.fl_str_mv |
Pathology localization on chest radiographs with limited supervision via semi-supervised multiple instance learning |
dc.title.alternative.por.fl_str_mv |
Localização de patologias em radiografias de tórax com supervisão limitada via aprendizado de múltiplas instâncias semi-supervisionado |
title |
Pathology localization on chest radiographs with limited supervision via semi-supervised multiple instance learning |
spellingShingle |
Pathology localization on chest radiographs with limited supervision via semi-supervised multiple instance learning Pooch, Eduardo Henrique Pais Deep Learning Medical Imaging Semi-Supervised Learning Multiple Instance Learning Aprendizado Profundo Imagens Médicas Aprendizado Semi-Supervisionado Aprendizado de Múltiplas Instâncias CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO |
title_short |
Pathology localization on chest radiographs with limited supervision via semi-supervised multiple instance learning |
title_full |
Pathology localization on chest radiographs with limited supervision via semi-supervised multiple instance learning |
title_fullStr |
Pathology localization on chest radiographs with limited supervision via semi-supervised multiple instance learning |
title_full_unstemmed |
Pathology localization on chest radiographs with limited supervision via semi-supervised multiple instance learning |
title_sort |
Pathology localization on chest radiographs with limited supervision via semi-supervised multiple instance learning |
author |
Pooch, Eduardo Henrique Pais |
author_facet |
Pooch, Eduardo Henrique Pais |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Barros, Rodrigo Coelho |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/8172124241767828 |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/3924919787895827 |
dc.contributor.author.fl_str_mv |
Pooch, Eduardo Henrique Pais |
contributor_str_mv |
Barros, Rodrigo Coelho |
dc.subject.eng.fl_str_mv |
Deep Learning Medical Imaging Semi-Supervised Learning Multiple Instance Learning |
topic |
Deep Learning Medical Imaging Semi-Supervised Learning Multiple Instance Learning Aprendizado Profundo Imagens Médicas Aprendizado Semi-Supervisionado Aprendizado de Múltiplas Instâncias CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO |
dc.subject.por.fl_str_mv |
Aprendizado Profundo Imagens Médicas Aprendizado Semi-Supervisionado Aprendizado de Múltiplas Instâncias |
dc.subject.cnpq.fl_str_mv |
CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO |
description |
Radiografias são exames primários para a avaliação das condições do tórax. Na prática clínica, vem se popularizando a utilização de abordagens de aprendizado profundo para apoiar radiologistas no processo de tomada de decisão visando aumentar a acurácia diagnóstica. Para dar suporte adequado aos radiologistas, é insuficiente um modelo que simplesmente infere um rótulo diagnóstico. Idealmente, o modelo deve fornecer mais informações para apoiar o resultado da classificação, como a localização espacial do achado radiológico. Para treinar adequadamente modelos de aprendizado profundo, geralmente é necessário utilizar muitos dados anotados. Há uma grande quantidade de imagens de radiografias de tórax disponíveis publicamente, anotadas de acordo com a presença de achados radiológicos, mas poucas contêm uma anotação com a localização desses achados. O objetivo deste trabalho é utilizar a quantia limitada de dados anotados e a vasta quantia de dados não anotados para melhorar o desempenho de métodos de localização automática de patologias em radiografias de tórax. Identificamos o estado-da-arte de métodos semi-supervisionados e avaliamos seu desempenho em um cenário de classificação. Em seguida, estendemos o melhor método, Mean Teacher, para realizar a tarefa de localização em um framework de aprendizado de múltiplas instâncias, introduzindo nosso método C-MIL. Nesse paradigma, existem dois tipos de rótulos: um rótulo geral que é conhecido, e um rótulo mais específico e desconhecido mas que é relacionado ao conhecido, no caso, a presença de patologia e sua localização. Os resultados mostram melhorias na aplicação de regularização de consistência em um cenário de localização por meio de aprendizado de múltiplas instâncias e demonstram que os métodos de aprendizado semi-supervisionado são promissores para o avanço do desempenho de métodos de localização automática de patologias em imagens médicas. |
publishDate |
2021 |
dc.date.accessioned.fl_str_mv |
2021-07-20T19:18:32Z |
dc.date.issued.fl_str_mv |
2021-03-25 |
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://tede2.pucrs.br/tede2/handle/tede/9790 |
url |
http://tede2.pucrs.br/tede2/handle/tede/9790 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.relation.program.fl_str_mv |
-4570527706994352458 |
dc.relation.confidence.fl_str_mv |
500 500 |
dc.relation.cnpq.fl_str_mv |
-862078257083325301 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Pontifícia Universidade Católica do Rio Grande do Sul |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Ciência da Computação |
dc.publisher.initials.fl_str_mv |
PUCRS |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Escola Politécnica |
publisher.none.fl_str_mv |
Pontifícia Universidade Católica do Rio Grande do Sul |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da PUC_RS instname:Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS) instacron:PUC_RS |
instname_str |
Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS) |
instacron_str |
PUC_RS |
institution |
PUC_RS |
reponame_str |
Biblioteca Digital de Teses e Dissertações da PUC_RS |
collection |
Biblioteca Digital de Teses e Dissertações da PUC_RS |
bitstream.url.fl_str_mv |
http://tede2.pucrs.br/tede2/bitstream/tede/9790/4/EDUARDO+HENRIQUE+PAIS+POOCH_DIS.pdf.jpg http://tede2.pucrs.br/tede2/bitstream/tede/9790/3/EDUARDO+HENRIQUE+PAIS+POOCH_DIS.pdf.txt http://tede2.pucrs.br/tede2/bitstream/tede/9790/2/EDUARDO+HENRIQUE+PAIS+POOCH_DIS.pdf http://tede2.pucrs.br/tede2/bitstream/tede/9790/1/license.txt |
bitstream.checksum.fl_str_mv |
0f0fd4f6d78d7d632a7c8f4260f99192 62c4a58469d8b7833bb26856482b5647 304786d644074c15caf7635b74472b97 220e11f2d3ba5354f917c7035aadef24 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da PUC_RS - Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS) |
repository.mail.fl_str_mv |
biblioteca.central@pucrs.br|| |
_version_ |
1799765350908166144 |