Brain semantic segmentation: a deep learning approach in human and Rat MRI studies
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Tipo de documento: | Dissertação |
Idioma: | eng |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/1822/64177 |
Resumo: | Dissertação de mestrado em Biomedical Engineering Dissertation (área de especialização em Field of Medical informatics) |
id |
RCAP_25ece6d46ee3695347515fc4f7782b6b |
---|---|
oai_identifier_str |
oai:repositorium.sdum.uminho.pt:1822/64177 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Brain semantic segmentation: a deep learning approach in human and Rat MRI studiesEngenharia e Tecnologia::Engenharia MédicaDissertação de mestrado em Biomedical Engineering Dissertation (área de especialização em Field of Medical informatics)Magnetic Resonance Imaging (MRI) provides information about anatomy and pathology. This type of technique is the most popular used for the study of rat and human brain. Classifying voxels according to the presence of relevant anatomic features is an important step in the pre-processing of the data. A precise delineation and automatic segmentation of the brain structures is required in preclinical rodent imaging field and can substitute the manual segmentation where time consuming or human-error problems can occur. Current solutions are based on traditional segmentation algorithms that raise accuracy issues and generally need human intervention during or after the segmentation process. In the humans’ field, most of the tools created in DL (deep learning) are used in tumour or lesion segmentation. Brain segmentation tissues are not as explored as oncology problems and lesions complications. In the rats’ field, there are no segmentation studies in DL. It was decided to use a DL approach in Rats to solve some of the old techniques’ problems. This dissertation will present an approach on semantic segmentation of white matter and gray matter in Human’s images, evaluate the algorithm’s performance with outliers. It will also present an FCN (fully convolutional network) solution for on semantic segmentation using rat’s and human’s MRI of anatomical features. A two-dimensional convolution (slice-by-slice) approach and a three-dimensional (volume) convolutions approach were evaluated. At the end, the results found, using FCN U-NET in rats’ MRI for a 2D convolutions approach, DSC were 94.65 % for WM, 91.03% for GM and 76.89 % for cerebrospinal fluid. Using the 3D convolutions approach, the results using DSC found are 93.81 % for WM, 89.69 % for GM and 74.68 % for cerebrospinal fluid. The results using humans’ MRI using DSC were 91.59% for WM and 84,58% for GM.Imagens de ressonância magnética providenciam informação acerca da anatomia humana e possíveis patologias existentes. Este é o tipo de técnica mais popular entre os estudos na área da neurociência, tanto em humanos como em roedores. A classificação de voxéis de acordo com a presença de informação anatómica relevante é um importante passo no pré-processamento de dados na comunidade científica na área da neurociência. Uma delineação precisa das várias estruturas do cérebro humano ou roedor é uma das requisições para a maioria dos estudos clínicos de imagens de ressonância magnética. A segmentação automática através de inteligência artificial pode vir a substituir ferramentas ou algoritmos semiautomáticos já existentes ou substituir também a segmentação manual que se trata de um processo muito demorado que está ligado a erro-humano. O avanço tecnológico provocou um estudo mais aprofundado no Deep Learning (DL) a partir de 2012, provando que estas técnicas de inteligência artificial estão a revelar-se melhores do que o que já existe na área médica. Dos estudos com ressonância magnética em humanos, a maioria das ferramentas criadas que utilizam DL são usadas na segmentação de tumores ou lesões cerebrais. A segmentação de tecidos cerebrais não está tão explorada como problemas oncológicos ou lesões cerebrais. Dos estudos com ressonância magnética em roedores, não existem ferramentas que utilizam as técnicas de DL. Tendo em conta que as técnicas de segmentação que já existem ainda têm muitas complicações e erros, foi decidido tentar uma abordagem de DL em Roedores, também. Esta dissertação irá apresentar uma abordagem de segmentação semântica de massa branca e massa cinzenta utilizando técnicas de DL em humanos. Irá também verificar a capacidade de generalização com casos de pacientes idosos. Irá ser apresentado uma técnica de DL nas imagens de ressonância magnética em roedores para a segmentação semântica de massa branca, massa cinzenta e líquido cérebroespinal. No final irá ser comparado as técnicas entre as duas espécies e também entre a utilização de convoluções com duas dimensões e de convoluções com três dimensões nos roedores. No final, os resultados encontrados utilizando uma FCN em Ratazanas numa abordagem 2D, os valores de DSC foram 94,65 % para massa branca, 91.03% para massa cinzenta e 76.89 % para o líquido cérebroespinal. Na abordagem 3D ,os valores de DSC encontrados foram 93.81 % % para massa branca, 89.69 % para massa cinzenta e 74.68 % para o líquido cérebroespinal. Os resultados utilizando as imagens humanas, foram 91.59% para massa branca e 84,58% para massa cinzenta.This work is part of the SIGMA project with the reference FCT-ANR/NEU-OSD/0258/2012, co-financed by the French public funding agency ANR (Agence Nationale pour la Recherche, APP Blanc International II 2012), the Portuguese FCT (Fundação para a Ciência e Tecnologia) and the Portuguese North Regional Operational Program (ON.2 – O Novo Norte) under the National Strategic Reference Framework (QREN), through the European Regional Development Fund (FEDER) as well as the Projecto Estratégico co-funded by FCT (PEst-C/SAU/LA0026-/2013) and the European Regional Development Fund COMPETE (FCOMP-01-0124-FEDER-037298).This work was also supported by COMPETE: POCI-01-0145-FEDER-007043 and FCT within the Project Scope: UID/CEC/00319/2013.Alves, VictorMagalhães, RicardoUniversidade do MinhoRodrigues, Mariana Fontainhas20182018-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/1822/64177eng202344940info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T12:25:18Zoai:repositorium.sdum.uminho.pt:1822/64177Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T19:19:31.137202Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Brain semantic segmentation: a deep learning approach in human and Rat MRI studies |
title |
Brain semantic segmentation: a deep learning approach in human and Rat MRI studies |
spellingShingle |
Brain semantic segmentation: a deep learning approach in human and Rat MRI studies Rodrigues, Mariana Fontainhas Engenharia e Tecnologia::Engenharia Médica |
title_short |
Brain semantic segmentation: a deep learning approach in human and Rat MRI studies |
title_full |
Brain semantic segmentation: a deep learning approach in human and Rat MRI studies |
title_fullStr |
Brain semantic segmentation: a deep learning approach in human and Rat MRI studies |
title_full_unstemmed |
Brain semantic segmentation: a deep learning approach in human and Rat MRI studies |
title_sort |
Brain semantic segmentation: a deep learning approach in human and Rat MRI studies |
author |
Rodrigues, Mariana Fontainhas |
author_facet |
Rodrigues, Mariana Fontainhas |
author_role |
author |
dc.contributor.none.fl_str_mv |
Alves, Victor Magalhães, Ricardo Universidade do Minho |
dc.contributor.author.fl_str_mv |
Rodrigues, Mariana Fontainhas |
dc.subject.por.fl_str_mv |
Engenharia e Tecnologia::Engenharia Médica |
topic |
Engenharia e Tecnologia::Engenharia Médica |
description |
Dissertação de mestrado em Biomedical Engineering Dissertation (área de especialização em Field of Medical informatics) |
publishDate |
2018 |
dc.date.none.fl_str_mv |
2018 2018-01-01T00:00:00Z |
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://hdl.handle.net/1822/64177 |
url |
http://hdl.handle.net/1822/64177 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.relation.none.fl_str_mv |
202344940 |
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.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799132654885404672 |