Conditional random fields improve the CNN-based prostate cancer classification performance

Detalhes bibliográficos
Autor(a) principal: Lapa, Paulo Alberto Fernandes
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

Registros relacionados