Otimização de arquiteturas de deep learning para segmentação de vasos sanguíneos em imagens de fundo retiniano

Detalhes bibliográficos
Autor(a) principal: Oliveira, Américo Filipe Moreira
Data de Publicação: 2017
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: https://hdl.handle.net/1822/49789
Resumo: Dissertação de mestrado integrado em Engenharia Biomédica (área de especialização em Eletrónica Médica)
id RCAP_5503216b32ef60902edd512fd32742b3
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/49789
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Otimização de arquiteturas de deep learning para segmentação de vasos sanguíneos em imagens de fundo retinianoEngenharia e Tecnologia::Engenharia MédicaDissertação de mestrado integrado em Engenharia Biomédica (área de especialização em Eletrónica Médica)A retina é a única parte do corpo humano onde a corrente sanguínea pode ser observada de forma direta e não invasiva. Atualmente, existem claras evidências de que as alterações fisiológicas da árvore vascular estão relacionadas com várias doenças que afetam milhões de pessoas a nível mundial, como a diabetes e a hipertensão. Contudo, a avaliação da condição vascular da retina exige a segmentação de várias imagens que, quando executada manualmente, se traduz num processo moroso e propenso a erros até para os especialistas mais experientes. Neste contexto, as metodologias de segmentação automática ganham cada vez mais relevância e são vistas como alternativas capazes de reduzir a carga de trabalho dos especialistas e de fornecer resultados robustos e reprodutíveis, em tempo útil. O objetivo desta dissertação passa pelo desenvolvimento de um método de segmentação automática de vasos retinianos em imagens de fundo. Ao longo dos anos, várias técnicas têm sido utilizadas para abordar este problema. Esta dissertação foca-se em métodos de deep learning e, em particular, nas redes neuronais convolucionais. Este tipo de modelos tem ganho especial destaque nos últimos anos, graças à sua capacidade para aprender, de forma automática, uma hierarquia de features cada vez mais complexas a partir dos dados de entrada. Isto parece sugerir uma mudança de paradigma segundo a qual o foco está agora na otimização de arquiteturas e não na tradicional fase de feature engineering, que é provavelmente a etapa mais crítica nos métodos convencionais. O método proposto nesta dissertação foi avaliado em três bases de dados públicas e amplamente reconhecidas na área da segmentação de vasos retinianos: a DRIVE, a STARE e a CHASE_DB1. Durante as várias etapas deste trabalho, estudaram-se diversas variantes procurando otimizar os resultados obtidos. O melhor modelo assenta numa rede neuronal completamente convolucional com várias escalas. Além disto, faz uso de operações de rotação para fins de aumento artificial de dados e beneficia da informação codificada pela transformada de wavelet não decimada. Em termos quantitativos, obtiveram-se valores médios de accuracy de 0.9576, 0.9694 e 0.9653 e valores médios de área abaixo da curva ROC de 0.9821, 0.9905 e 0.9855, na DRIVE, STARE e CHASE_DB1, respetivamente. Para mais, o método revelou-se robusto face à mudança do conjunto de treino e à presença de patologias, o que mostra o seu potencial para aplicações do mundo real.The retina is the only part of the human body where the bloodstream can be directly and non-invasively observed. There is now clear evidence that physiological changes in the vascular tree are related to several diseases that affect millions of people worldwide, such as diabetes and hypertension. However, evaluating the retinal vascular condition requires the segmentation of several images which, done manually, is a timeconsuming and error prone task even for experienced experts. In this context, automatic segmentation methodologies are becoming increasingly important to reduce the workload of specialists, and provide robust and reproducible results in a timely manner. The aim of this thesis is to develop an automatic vessel segmentation method in fundus images. Over the years, several works have been proposed to approach vessel segmentation. This thesis focuses on deep learning methodologies, especially on convolutional neural networks. These models have gained particular prominence in recent years, due to their ability to automatically learn an increasingly complex hierarchy of features from the input data. This hints a paradigm shift according to which the focus is now on optimizing architectures rather than on the traditional feature engineering phase, which is probably the most critical step in conventional methods. The proposed method was evaluated on three publicly available databases, widely used in the retinal vessel segmentation area: DRIVE, STARE, and CHASE_DB1. During the various stages of this work, several variants were studied in order to improve the results. The best model is based on a fully convolutional neural network with several scales. In addition, it uses rotation operations for data augmentation, and benefits from the information encoded by the stationary wavelet transform. In quantitative terms, the method achieved average accuracy of 0.9576, 0.9694, and 0.9653 and average area under the ROC curve of 0.9821, 0.9905, and 0.9855 on the DRIVE, STARE, and CHASE DB1 databases, respectively. It also appears to be robust to the training set and to the presence of pathological signs, which shows its potential for real-world applications.Silva, Carlos A.Universidade do MinhoOliveira, Américo Filipe Moreira20172017-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/49789por201822415info: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:RCAAP2023-09-30T01:27:08Zoai:repositorium.sdum.uminho.pt:1822/49789Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T19:01:16.835563Repositório 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 Otimização de arquiteturas de deep learning para segmentação de vasos sanguíneos em imagens de fundo retiniano
title Otimização de arquiteturas de deep learning para segmentação de vasos sanguíneos em imagens de fundo retiniano
spellingShingle Otimização de arquiteturas de deep learning para segmentação de vasos sanguíneos em imagens de fundo retiniano
Oliveira, Américo Filipe Moreira
Engenharia e Tecnologia::Engenharia Médica
title_short Otimização de arquiteturas de deep learning para segmentação de vasos sanguíneos em imagens de fundo retiniano
title_full Otimização de arquiteturas de deep learning para segmentação de vasos sanguíneos em imagens de fundo retiniano
title_fullStr Otimização de arquiteturas de deep learning para segmentação de vasos sanguíneos em imagens de fundo retiniano
title_full_unstemmed Otimização de arquiteturas de deep learning para segmentação de vasos sanguíneos em imagens de fundo retiniano
title_sort Otimização de arquiteturas de deep learning para segmentação de vasos sanguíneos em imagens de fundo retiniano
author Oliveira, Américo Filipe Moreira
author_facet Oliveira, Américo Filipe Moreira
author_role author
dc.contributor.none.fl_str_mv Silva, Carlos A.
Universidade do Minho
dc.contributor.author.fl_str_mv Oliveira, Américo Filipe Moreira
dc.subject.por.fl_str_mv Engenharia e Tecnologia::Engenharia Médica
topic Engenharia e Tecnologia::Engenharia Médica
description Dissertação de mestrado integrado em Engenharia Biomédica (área de especialização em Eletrónica Médica)
publishDate 2017
dc.date.none.fl_str_mv 2017
2017-01-01T00:00:00Z
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 https://hdl.handle.net/1822/49789
url https://hdl.handle.net/1822/49789
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv 201822415
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_ 1799132410616479744

Registros relacionados