Conditional random fields improve the CNN-based prostate cancer classification performance
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Dissertação |
Idioma: | eng |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10362/89470 |
Resumo: | Dissertation submitted in partial fulfillment of the requirements for the degree of Master of Science in Advanced Analiytics |
id |
RCAP_bfbd2c962cfb44e08851b7b52de7379e |
---|---|
oai_identifier_str |
oai:run.unl.pt:10362/89470 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Conditional random fields improve the CNN-based prostate cancer classification performanceProstate CancerConvolutional Neural NetworksConditional Random FieldsCancro da próstataRedes Neuronais ConvolucionaisCampos Condicionais AleatóriosDissertation submitted in partial fulfillment of the requirements for the degree of Master of Science in Advanced AnaliyticsProstate cancer is a condition with life-threatening implications but without clear causes yet identified. Several diagnostic procedures can be used, ranging from human dependent and very invasive to using state of the art non-invasive medical imaging. With recent academic and industry focus on the deep learning field, novel research has been performed on to how to improve prostate cancer diagnosis using Convolutional Neural Networks to interpret Magnetic Resonance images. Conditional Random Fields have achieved outstanding results in the image segmentation task, by promoting homogeneous classification at the pixel level. A new implementation, CRF-RNN defines Conditional Random Fields by means of convolutional layers, allowing the end to end training of the feature extractor and classifier models. This work tries to repurpose CRFs for the image classification task, a more traditional sub-field of imaging analysis, on a way that to the best of the author’s knowledge, has not been implemented before. To achieve this, a purpose-built architecture was refitted, adding a CRF layer as a feature extractor step. To serve as the implementation’s benchmark, a multi-parametric Magnetic Resonance Imaging dataset was used, initially provided for the PROSTATEx Challenge 2017 and collected by the Radboud University. The results are very promising, showing an increase in the network’s classification quality.Cancro da próstata é uma condição que pode apresentar risco de vida, mas sem causas ainda corretamente identificadas. Vários métodos de diagnóstico podem ser utilizados, desde bastante invasivos e dependentes do operador humano a métodos não invasivos de ponta através de imagens médicas. Com o crescente interesse das universidades e da indústria no campo do deep learning, investigação tem sido desenvolvida com o propósito de melhorar o diagnóstico de cancro da próstata através de Convolutional Neural Networks (CNN) (Redes Neuronais Convolucionais) para interpretar imagens de Ressonância Magnética. Conditional Random Fields (CRF) (Campos Aleatórios Condicionais) alcançaram resultados muito promissores no campo da Segmentação de Imagem, por promoverem classificações homogéneas ao nível do pixel. Uma nova implementação, CRF-RNN redefine os CRF através de camadas de CNN, permitindo assim o treino integrado da rede que extrai as características e o modelo que faz a classificação. Este trabalho tenta aproveitar os CRF para a tarefa de Classificação de Imagem, um campo mais tradicional, numa abordagem que nunca foi implementada anteriormente, para o conhecimento do autor. Para conseguir isto, uma nova arquitetura foi definida, utilizando uma camada CRF-RNN como um extrator de características. Como meio de comparação foi utilizada uma base de dados de imagens multiparamétricas de Ressonância Magnética, recolhida pela Universidade de Radboud e inicialmente utilizada para o PROSTATEx Challenge 2017. Os resultados são bastante promissores, mostrando uma melhoria na capacidade de classificação da rede neuronal.Castelli, MauroRundo, LeonardoRUNLapa, Paulo Alberto Fernandes2019-12-06T19:00:57Z2019-10-252019-10-25T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10362/89470TID:202329453enginfo: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:RCAAP2024-03-11T04:39:50Zoai:run.unl.pt:10362/89470Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T03:37:00.726325Repositório 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 |
Conditional random fields improve the CNN-based prostate cancer classification performance |
title |
Conditional random fields improve the CNN-based prostate cancer classification performance |
spellingShingle |
Conditional random fields improve the CNN-based prostate cancer classification performance Lapa, Paulo Alberto Fernandes Prostate Cancer Convolutional Neural Networks Conditional Random Fields Cancro da próstata Redes Neuronais Convolucionais Campos Condicionais Aleatórios |
title_short |
Conditional random fields improve the CNN-based prostate cancer classification performance |
title_full |
Conditional random fields improve the CNN-based prostate cancer classification performance |
title_fullStr |
Conditional random fields improve the CNN-based prostate cancer classification performance |
title_full_unstemmed |
Conditional random fields improve the CNN-based prostate cancer classification performance |
title_sort |
Conditional random fields improve the CNN-based prostate cancer classification performance |
author |
Lapa, Paulo Alberto Fernandes |
author_facet |
Lapa, Paulo Alberto Fernandes |
author_role |
author |
dc.contributor.none.fl_str_mv |
Castelli, Mauro Rundo, Leonardo RUN |
dc.contributor.author.fl_str_mv |
Lapa, Paulo Alberto Fernandes |
dc.subject.por.fl_str_mv |
Prostate Cancer Convolutional Neural Networks Conditional Random Fields Cancro da próstata Redes Neuronais Convolucionais Campos Condicionais Aleatórios |
topic |
Prostate Cancer Convolutional Neural Networks Conditional Random Fields Cancro da próstata Redes Neuronais Convolucionais Campos Condicionais Aleatórios |
description |
Dissertation submitted in partial fulfillment of the requirements for the degree of Master of Science in Advanced Analiytics |
publishDate |
2019 |
dc.date.none.fl_str_mv |
2019-12-06T19:00:57Z 2019-10-25 2019-10-25T00:00:00Z |
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/10362/89470 TID:202329453 |
url |
http://hdl.handle.net/10362/89470 |
identifier_str_mv |
TID:202329453 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
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_ |
1799137987570696192 |