Segmentação automática da região plantar para apoio ao diagnóstico da neuropatia periférica
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10400.22/22636 |
Resumo: | De acordo com a organização mundial de saúde, o número de pessoas portadoras de diabetes tem crescido. A diabetes ´e a grande causadora de complicações como cegueira, deficiência renal, ataques cardíacos, tromboses e amputações dos membros inferiores [1]. As neuropatias estão entre as mais comuns das complicações a longo termo da diabetes. No mínimo, metade de todas as úlceras no pé em fase terminal podem ser evitadas através de uma correta gestão de cuidados, tratamentos e da educação dos pacientes. Contudo, a falta de tempo e informação adequada pode incutir um regime de cuidados desadequados à doença em questão [2]. Este tipo de condições pode ser de maior impacto ainda, uma vez que o sistema de saúde encontra-se cada vez mais sobrecarregado e com falta de recursos humanos. Logo, exames como estes podem ser negligenciados a favor de outro tipo de procedimentos mais sérios, causando então uma complicação grave no paciente em questão. Com o recurso a técnicas modernas de software e robótica seria possível ultrapassar a barreira humana do exame procedendo desta forma à automação do mesmo. Nota-se que, uma grande porção dos trabalhos efetuados pelos médicos não podem ser automatizados, visto que se relacionam diretamente com a saúde do paciente. Todavia, existem pequenas tarefas, como o caso do exame à neuropatia periférica, que poderiam ser automatizados e efetuados por máquinas providas de algoritmos inteligentes. Assim, o objetivo do trabalho centra-se na automação do exame à neuropatia periférica. Através de técnicas de machine leaning e inteligência artificial irá ser replicado o processo de visão humana, ou seja, a identificação de quais os pontos na porção plantar do pé do paciente que devem ser avaliados, e quais as suas coordenadas no espaço. Seguidamente, esta informação pode ser processada e enviada para um braço robótico, o qual irá efetuar o exame em si. O primeiro grande marco do projeto consiste em introduzir inteligência artificial para uma tarefa de segmentação. Apesar da iteração anterior do trabalho, utilizando técnicas de processamento de imagem e segmentação, ter sido sucedida, a revolução tecnológica e os avanços ao nível da computação continuam cada vez mais robustos. Desta forma, partiu-se para uma solução mais sofisticada do ponto de vista tecnológico, a aplicação de processos de segmentação com recurso a algoritmos de machine learning e aprendizagem profunda. A aplicação de tais conceitos permite ao utilizador uma abstração dos processos inerentes à segmentação de imagem, uma vez que os modelos desta natureza conseguem interpretar o ambiente em que estão inseridos e efetuar os devidos ajustes para chegar ao resultado esperado. O modelo em estudo foi o das redes de segmentação U-Net, famosas pela sua capacidade de produzir excelentes resultados face a uma dimensão reduzida de dados de treino. O modelo desenvolvido foi treinado com o recurso a um subconjunto de dados de treino, e outro subconjunto de dados de avaliação. Nota-se que, em ambas as partições, existia um par imagem - máscara em que a partição de treino foi expandida utilizando processos de aumento de dados, como distorções elásticas, morfológicas e mudanças de saturação. Para os treinos da rede, foram definidos hiperperâmetros específicos, para os quais se fez variar maioritariamente o valor das epochs entre iterações. Primeiramente foi desenhado um modelo para fazer a segmentação unicamente dos pontos inerentes aos dedos do pé (segmentar 3 pontos por pé), o qual foi treinado ao longo de 10, 20 e 50 epochs. Uma vez verificada a eficácia do modelo implementado para uma segmentação simples, procedeu-se ao treino da rede preditiva final (segmentação de 9 pontos por pé). Para validar os resultados obtidos, desenhou-se um script de teste que utiliza o modelo gerado como entrada para fazer a segmentação das imagens do subconjunto de teste. Assim é possível avaliar o resultado esperado (obtido manualmente) face aquele que o modelo produziu. Durante esta execução ainda são calculadas métricas típicas para este tipo de algoritmos de segmentação e métricas personalizadas, desenvolvidas especialmente para este trabalho, as quais contam o número de pontos detetados em diferentes regiões do pé. Após o treino e validação das seis redes, verificou-se que o modelo que apresentou melhor comportamento a nível de qualidade de saída e desempenho foi o de 20 epochs. Mais tarde, foram ainda gerados mais dois modelos com vista a tentar atingir resultados ainda melhores, procedendo a um aumento do número de dados de treino, e a um aumento do número de workers. Contudo, nenhum destes novos modelos exibiu um comportamento melhor que os anteriores. |
id |
RCAP_f5787b00be531953b8ba8caed109e201 |
---|---|
oai_identifier_str |
oai:recipp.ipp.pt:10400.22/22636 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Segmentação automática da região plantar para apoio ao diagnóstico da neuropatia periféricaDiabetesNeuropatia periféricaInteligência ArtificialRede U-NetSegmentaçãoPeripheral neuropathyArtificial intelligenceU-NetSegmentationDe acordo com a organização mundial de saúde, o número de pessoas portadoras de diabetes tem crescido. A diabetes ´e a grande causadora de complicações como cegueira, deficiência renal, ataques cardíacos, tromboses e amputações dos membros inferiores [1]. As neuropatias estão entre as mais comuns das complicações a longo termo da diabetes. No mínimo, metade de todas as úlceras no pé em fase terminal podem ser evitadas através de uma correta gestão de cuidados, tratamentos e da educação dos pacientes. Contudo, a falta de tempo e informação adequada pode incutir um regime de cuidados desadequados à doença em questão [2]. Este tipo de condições pode ser de maior impacto ainda, uma vez que o sistema de saúde encontra-se cada vez mais sobrecarregado e com falta de recursos humanos. Logo, exames como estes podem ser negligenciados a favor de outro tipo de procedimentos mais sérios, causando então uma complicação grave no paciente em questão. Com o recurso a técnicas modernas de software e robótica seria possível ultrapassar a barreira humana do exame procedendo desta forma à automação do mesmo. Nota-se que, uma grande porção dos trabalhos efetuados pelos médicos não podem ser automatizados, visto que se relacionam diretamente com a saúde do paciente. Todavia, existem pequenas tarefas, como o caso do exame à neuropatia periférica, que poderiam ser automatizados e efetuados por máquinas providas de algoritmos inteligentes. Assim, o objetivo do trabalho centra-se na automação do exame à neuropatia periférica. Através de técnicas de machine leaning e inteligência artificial irá ser replicado o processo de visão humana, ou seja, a identificação de quais os pontos na porção plantar do pé do paciente que devem ser avaliados, e quais as suas coordenadas no espaço. Seguidamente, esta informação pode ser processada e enviada para um braço robótico, o qual irá efetuar o exame em si. O primeiro grande marco do projeto consiste em introduzir inteligência artificial para uma tarefa de segmentação. Apesar da iteração anterior do trabalho, utilizando técnicas de processamento de imagem e segmentação, ter sido sucedida, a revolução tecnológica e os avanços ao nível da computação continuam cada vez mais robustos. Desta forma, partiu-se para uma solução mais sofisticada do ponto de vista tecnológico, a aplicação de processos de segmentação com recurso a algoritmos de machine learning e aprendizagem profunda. A aplicação de tais conceitos permite ao utilizador uma abstração dos processos inerentes à segmentação de imagem, uma vez que os modelos desta natureza conseguem interpretar o ambiente em que estão inseridos e efetuar os devidos ajustes para chegar ao resultado esperado. O modelo em estudo foi o das redes de segmentação U-Net, famosas pela sua capacidade de produzir excelentes resultados face a uma dimensão reduzida de dados de treino. O modelo desenvolvido foi treinado com o recurso a um subconjunto de dados de treino, e outro subconjunto de dados de avaliação. Nota-se que, em ambas as partições, existia um par imagem - máscara em que a partição de treino foi expandida utilizando processos de aumento de dados, como distorções elásticas, morfológicas e mudanças de saturação. Para os treinos da rede, foram definidos hiperperâmetros específicos, para os quais se fez variar maioritariamente o valor das epochs entre iterações. Primeiramente foi desenhado um modelo para fazer a segmentação unicamente dos pontos inerentes aos dedos do pé (segmentar 3 pontos por pé), o qual foi treinado ao longo de 10, 20 e 50 epochs. Uma vez verificada a eficácia do modelo implementado para uma segmentação simples, procedeu-se ao treino da rede preditiva final (segmentação de 9 pontos por pé). Para validar os resultados obtidos, desenhou-se um script de teste que utiliza o modelo gerado como entrada para fazer a segmentação das imagens do subconjunto de teste. Assim é possível avaliar o resultado esperado (obtido manualmente) face aquele que o modelo produziu. Durante esta execução ainda são calculadas métricas típicas para este tipo de algoritmos de segmentação e métricas personalizadas, desenvolvidas especialmente para este trabalho, as quais contam o número de pontos detetados em diferentes regiões do pé. Após o treino e validação das seis redes, verificou-se que o modelo que apresentou melhor comportamento a nível de qualidade de saída e desempenho foi o de 20 epochs. Mais tarde, foram ainda gerados mais dois modelos com vista a tentar atingir resultados ainda melhores, procedendo a um aumento do número de dados de treino, e a um aumento do número de workers. Contudo, nenhum destes novos modelos exibiu um comportamento melhor que os anteriores.According to the World Health Organization, the number of people with diabetes has been growing. Diabetes is the major cause of complications such as blindness, kidney impairment, heart attacks, thrombosis and lower limb amputations [1]. Neuropathies are among the most common of the long-term complications of diabetes. At least half of all end-stage foot ulcers can be prevented through proper care management, treatment and patient education. However, lack of time and adequate information can instil a care regime that is inappropriate for the disease in question [2]. These types of conditions can be even more impactful as the healthcare system is increasingly overstretched and understaffed. Therefore, tests such as these can be neglected in favour of other more serious procedures, causing a serious complication for the patient in question. With the use of modern software and robotic techniques, it would be possible to overcome the human barrier of the examination, thus proceeding to its automation. It is noted that a large portion of the work done by doctors cannot be automated, since it is directly related to the patient’s health. However, there are small tasks, such as the peripheral neuropathy examination, which could be automated and carried out by machines provided with intelligent algorithms. Thus, the objective of the work is focused on the automation of the peripheral neuropathy examination. Through machine leaning techniques and artificial intelligence, the human vision process will be replicated, that is, the identification of which points on the plantar portion of the patient’s foot should be assessed, and their coordinates in space. Then, this information can be processed and sent to a robotic arm, which will perform the examination itself. The first major milestone of the project is to introduce artificial intelligence for a segmentation task. Although the previous iteration of the work, using image processing and segmentation techniques, was successful, the technological revolution and advances in computing continue to be more and more robust. In this way, a more sophisticated solution from the technological point of view was started, the application of segmentation processes using machine learning and deep learning algorithms. The application of such concepts allows the user an abstraction of the inherent processes to the image segmentation, once the models of this nature are able to interpret the environment in which they are inserted and make the necessary adjustments to reach the expected result. The model under study was the UNet segmentation networks, famous for their ability to produce excellent results with a small amount of training data. The model developed was trained using a subset of training data, and another subset of evaluation data. Note that in both partitions there was an image-mask pair, where the training partition was expanded using data augmentation processes, such as elastic and morphological distortions and saturation changes. For the network trainings, specific hyperparameters were defined, for which the value of epochs was mostly varied between iterations. Firstly, a model was designed to perform the segmentation only of the points inherent to the toes (segment 3 points per foot), which was trained throughout 10, 20 and 50 epochs. Once verified the effectiveness of the model implemented for a simple segmentation, we proceeded to the training of the final predictive network (segmentation of 9 points per foot). To validate the results obtained, a test script was designed that uses the generated model as input to perform the segmentation of the images of the test subset. Thus, it is possible to evaluate the expected result (obtained manually) against the one produced by the model. During this execution, typical metrics for this type of segmentation algorithms and custom metrics are also calculated, which were developed especially for this work, counting the number of points detected in different regions of the foot. After training and validation of the six networks, it was verified that the model that presented the best behaviour in terms of output quality and performance was the one with 20 epochs. Later, two more models were generated in order to try to achieve even better results, increasing the number of training data and the number of “workers”. However, none of the new generated models had a better behaviour than the previous ones.Coelho, Luís Filipe Martins PintoRepositório Científico do Instituto Politécnico do PortoMesquita, Rui Pedro Rocha2023-03-30T10:55:51Z20222022-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10400.22/22636TID:203113969porinfo: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:RCAAP2023-04-05T01:46:19Zoai:recipp.ipp.pt:10400.22/22636Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T17:48:27.490045Repositório 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 |
Segmentação automática da região plantar para apoio ao diagnóstico da neuropatia periférica |
title |
Segmentação automática da região plantar para apoio ao diagnóstico da neuropatia periférica |
spellingShingle |
Segmentação automática da região plantar para apoio ao diagnóstico da neuropatia periférica Mesquita, Rui Pedro Rocha Diabetes Neuropatia periférica Inteligência Artificial Rede U-Net Segmentação Peripheral neuropathy Artificial intelligence U-Net Segmentation |
title_short |
Segmentação automática da região plantar para apoio ao diagnóstico da neuropatia periférica |
title_full |
Segmentação automática da região plantar para apoio ao diagnóstico da neuropatia periférica |
title_fullStr |
Segmentação automática da região plantar para apoio ao diagnóstico da neuropatia periférica |
title_full_unstemmed |
Segmentação automática da região plantar para apoio ao diagnóstico da neuropatia periférica |
title_sort |
Segmentação automática da região plantar para apoio ao diagnóstico da neuropatia periférica |
author |
Mesquita, Rui Pedro Rocha |
author_facet |
Mesquita, Rui Pedro Rocha |
author_role |
author |
dc.contributor.none.fl_str_mv |
Coelho, Luís Filipe Martins Pinto Repositório Científico do Instituto Politécnico do Porto |
dc.contributor.author.fl_str_mv |
Mesquita, Rui Pedro Rocha |
dc.subject.por.fl_str_mv |
Diabetes Neuropatia periférica Inteligência Artificial Rede U-Net Segmentação Peripheral neuropathy Artificial intelligence U-Net Segmentation |
topic |
Diabetes Neuropatia periférica Inteligência Artificial Rede U-Net Segmentação Peripheral neuropathy Artificial intelligence U-Net Segmentation |
description |
De acordo com a organização mundial de saúde, o número de pessoas portadoras de diabetes tem crescido. A diabetes ´e a grande causadora de complicações como cegueira, deficiência renal, ataques cardíacos, tromboses e amputações dos membros inferiores [1]. As neuropatias estão entre as mais comuns das complicações a longo termo da diabetes. No mínimo, metade de todas as úlceras no pé em fase terminal podem ser evitadas através de uma correta gestão de cuidados, tratamentos e da educação dos pacientes. Contudo, a falta de tempo e informação adequada pode incutir um regime de cuidados desadequados à doença em questão [2]. Este tipo de condições pode ser de maior impacto ainda, uma vez que o sistema de saúde encontra-se cada vez mais sobrecarregado e com falta de recursos humanos. Logo, exames como estes podem ser negligenciados a favor de outro tipo de procedimentos mais sérios, causando então uma complicação grave no paciente em questão. Com o recurso a técnicas modernas de software e robótica seria possível ultrapassar a barreira humana do exame procedendo desta forma à automação do mesmo. Nota-se que, uma grande porção dos trabalhos efetuados pelos médicos não podem ser automatizados, visto que se relacionam diretamente com a saúde do paciente. Todavia, existem pequenas tarefas, como o caso do exame à neuropatia periférica, que poderiam ser automatizados e efetuados por máquinas providas de algoritmos inteligentes. Assim, o objetivo do trabalho centra-se na automação do exame à neuropatia periférica. Através de técnicas de machine leaning e inteligência artificial irá ser replicado o processo de visão humana, ou seja, a identificação de quais os pontos na porção plantar do pé do paciente que devem ser avaliados, e quais as suas coordenadas no espaço. Seguidamente, esta informação pode ser processada e enviada para um braço robótico, o qual irá efetuar o exame em si. O primeiro grande marco do projeto consiste em introduzir inteligência artificial para uma tarefa de segmentação. Apesar da iteração anterior do trabalho, utilizando técnicas de processamento de imagem e segmentação, ter sido sucedida, a revolução tecnológica e os avanços ao nível da computação continuam cada vez mais robustos. Desta forma, partiu-se para uma solução mais sofisticada do ponto de vista tecnológico, a aplicação de processos de segmentação com recurso a algoritmos de machine learning e aprendizagem profunda. A aplicação de tais conceitos permite ao utilizador uma abstração dos processos inerentes à segmentação de imagem, uma vez que os modelos desta natureza conseguem interpretar o ambiente em que estão inseridos e efetuar os devidos ajustes para chegar ao resultado esperado. O modelo em estudo foi o das redes de segmentação U-Net, famosas pela sua capacidade de produzir excelentes resultados face a uma dimensão reduzida de dados de treino. O modelo desenvolvido foi treinado com o recurso a um subconjunto de dados de treino, e outro subconjunto de dados de avaliação. Nota-se que, em ambas as partições, existia um par imagem - máscara em que a partição de treino foi expandida utilizando processos de aumento de dados, como distorções elásticas, morfológicas e mudanças de saturação. Para os treinos da rede, foram definidos hiperperâmetros específicos, para os quais se fez variar maioritariamente o valor das epochs entre iterações. Primeiramente foi desenhado um modelo para fazer a segmentação unicamente dos pontos inerentes aos dedos do pé (segmentar 3 pontos por pé), o qual foi treinado ao longo de 10, 20 e 50 epochs. Uma vez verificada a eficácia do modelo implementado para uma segmentação simples, procedeu-se ao treino da rede preditiva final (segmentação de 9 pontos por pé). Para validar os resultados obtidos, desenhou-se um script de teste que utiliza o modelo gerado como entrada para fazer a segmentação das imagens do subconjunto de teste. Assim é possível avaliar o resultado esperado (obtido manualmente) face aquele que o modelo produziu. Durante esta execução ainda são calculadas métricas típicas para este tipo de algoritmos de segmentação e métricas personalizadas, desenvolvidas especialmente para este trabalho, as quais contam o número de pontos detetados em diferentes regiões do pé. Após o treino e validação das seis redes, verificou-se que o modelo que apresentou melhor comportamento a nível de qualidade de saída e desempenho foi o de 20 epochs. Mais tarde, foram ainda gerados mais dois modelos com vista a tentar atingir resultados ainda melhores, procedendo a um aumento do número de dados de treino, e a um aumento do número de workers. Contudo, nenhum destes novos modelos exibiu um comportamento melhor que os anteriores. |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022 2022-01-01T00:00:00Z 2023-03-30T10:55:51Z |
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/10400.22/22636 TID:203113969 |
url |
http://hdl.handle.net/10400.22/22636 |
identifier_str_mv |
TID:203113969 |
dc.language.iso.fl_str_mv |
por |
language |
por |
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_ |
1799131566956347392 |