Segmentação da região pulmonar em imagens de radiografia torácica utilizando redes neurais convolutivas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Outros Autores: | |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFAM |
Texto Completo: | https://tede.ufam.edu.br/handle/tede/8210 |
Resumo: | Segundo dados do Instituto Nacional de Câncer, o câncer de pulmão é um dos tumores mais frequentes na população brasileira. O processo para seu diagnóstico por vezes passa pela necessidade de segmentar a região pulmonar em um exame de imagem, fase essa que demanda horas de um profissional da área médica. Sendo assim, a utilização de ferramentas que aplicam técnicas automatizadas para realizar essa tarefa pode auxiliá-los. Esta dissertação desenvolve uma metodologia automática, baseada em redes neurais convolutivas, para segmentar a região pulmonar em imagens de radiografia torácica. São desenvolvidas três arquiteturas (CNN1, CNN2 e CNN3), onde as arquiteturas CNN1 e CNN2 são de rede direta, enquanto a arquitetura CNN3 é uma topologia de grafos acíclicos direcionados (DAG). Em conjunto com as arquiteturas são investigados três diferentes métodos de regularização (Dropout, L2 e Dropout+L2) e três diferentes métodos de otimização (SGDM, RMSPROP e ADAM). A base de dados utilizada para esse estudo é a JSRT - Japanese Society of Radiological Technology, que contém 247 imagens de radiografia torácica. Como forma de mensurar a performance das redes estudadas foram utilizados seis métricas de desempenho, são elas: Acurácia Global, Acurácia, Coeficiente de Jaccard, Coeficiente de Jaccard Ponderado, Score F1 e Índice Dice. Ao término de todas as simulações, os melhores resultados foram alcançados utilizando a rede CNN3, que faz uso da topologia DAG, conjuntamente com o método de regularização Dropout+L2 e método de otimização ADAM. As métricas obtidas foram: Acurácia Global igual a 0.99139 ± 0.00098; Acurácia igual a 0.98927 ± 0.00161; Coeficiente de Jaccard de 0.97967 ± 0.00232; Coeficiente de Jaccard Ponderado igual a 0.98294 ± 0.00191; Score F1 de 0.97475 ± 0.00357 e, por fim, um Índice Dice de 0.98921 ± 0.00163. |
id |
UFAM_befb31c430e5c2c589b43674101c86c7 |
---|---|
oai_identifier_str |
oai:https://tede.ufam.edu.br/handle/:tede/8210 |
network_acronym_str |
UFAM |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFAM |
repository_id_str |
6592 |
spelling |
Segmentação da região pulmonar em imagens de radiografia torácica utilizando redes neurais convolutivasLung region segmentation in chest x-ray images using deep convolutional neural networksConvolutive neural networkChest radiographyJapanese Society of Radiological TechnologyExame de imagemNeoplasia pulmonarENGENHARIASSegmentação PulmonarRadiografia TorácicaRedes Neurais ConvolutivasAprendizado ProfundoSegundo dados do Instituto Nacional de Câncer, o câncer de pulmão é um dos tumores mais frequentes na população brasileira. O processo para seu diagnóstico por vezes passa pela necessidade de segmentar a região pulmonar em um exame de imagem, fase essa que demanda horas de um profissional da área médica. Sendo assim, a utilização de ferramentas que aplicam técnicas automatizadas para realizar essa tarefa pode auxiliá-los. Esta dissertação desenvolve uma metodologia automática, baseada em redes neurais convolutivas, para segmentar a região pulmonar em imagens de radiografia torácica. São desenvolvidas três arquiteturas (CNN1, CNN2 e CNN3), onde as arquiteturas CNN1 e CNN2 são de rede direta, enquanto a arquitetura CNN3 é uma topologia de grafos acíclicos direcionados (DAG). Em conjunto com as arquiteturas são investigados três diferentes métodos de regularização (Dropout, L2 e Dropout+L2) e três diferentes métodos de otimização (SGDM, RMSPROP e ADAM). A base de dados utilizada para esse estudo é a JSRT - Japanese Society of Radiological Technology, que contém 247 imagens de radiografia torácica. Como forma de mensurar a performance das redes estudadas foram utilizados seis métricas de desempenho, são elas: Acurácia Global, Acurácia, Coeficiente de Jaccard, Coeficiente de Jaccard Ponderado, Score F1 e Índice Dice. Ao término de todas as simulações, os melhores resultados foram alcançados utilizando a rede CNN3, que faz uso da topologia DAG, conjuntamente com o método de regularização Dropout+L2 e método de otimização ADAM. As métricas obtidas foram: Acurácia Global igual a 0.99139 ± 0.00098; Acurácia igual a 0.98927 ± 0.00161; Coeficiente de Jaccard de 0.97967 ± 0.00232; Coeficiente de Jaccard Ponderado igual a 0.98294 ± 0.00191; Score F1 de 0.97475 ± 0.00357 e, por fim, um Índice Dice de 0.98921 ± 0.00163.According to data from the National Cancer Institute, lung cancer is one of the most frequent tumors in the Brazilian population. The process for its diagnosis sometimes involves the need to segment the pulmonary region in an image exam, a phase that requires hours from a medical professional. Therefore, the use of tools that apply automated techniques to accomplish this task could help them. This dissertation develops an automatic methodology, based on convolutive neural networks, to segment the lung region in chest X-ray images. Three architectures are developed (CNN1, CNN2 and CNN3), where the CNN1 and CNN2 architectures are of direct network, while the CNN3 architecture is a topology of directed acyclic graphs (DAG). In conjunction with the architectures, three different regularization methods (Dropout, L2 and Dropout + L2) and three different optimization methods (SGDM, RMSPROP and ADAM) are investigated. The database used for this study is the JSRT - Japanese Society of Radiological Technology, which contains 247 images of chest radiography. As a way of measuring the performance of the studied networks, six performance metrics were used, they are: Global Accuracy, Accuracy, Jaccard Coefficient, Weighted Jaccard Coefficient, Score F1 and Dice Index. At the end of all simulations, the best results were achieved using the CNN3 network, which makes use of the DAG topology, together with the Dropout + L2 regularization method and the ADAM optimization method. The metrics obtained were: Global Accuracy equal to 0.99139 ± 0.00098; Accuracy equal to 0.98927 ± 0.00161; Jaccard coefficient of 0.97967 ± 0.00232; Weighted Jaccard coefficient equal to 0.98294 ± 0.00191; F1 Score of 0.97475 ± 0.00357 and, finally, a Dice Index of 0.98921 ± 0.00163.Universidade Federal do AmazonasFaculdade de TecnologiaBrasilUFAMPrograma de Pós-graduação em Engenharia ElétricaCosta Filho, Cícero Ferreira Fernandeshttp://lattes.cnpq.br/3029011770761387Oliveira, Jozias Parente dehttp://lattes.cnpq.br/1169202481169729Costa, José Mir Justino dahttp://lattes.cnpq.br/2396817509327075Portela, Ronaldo de Sáhttp://lattes.cnpq.br/35502180831636092021-04-09T15:31:32Z2020-05-29info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfPORTELA, Ronaldo de Sá. Segmentação da região pulmonar em imagens de radiografia torácica utilizando redes neurais convolutivas. 2020. 124 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus, 2020.https://tede.ufam.edu.br/handle/tede/8210porhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFAMinstname:Universidade Federal do Amazonas (UFAM)instacron:UFAM2021-04-13T02:10:52Zoai:https://tede.ufam.edu.br/handle/:tede/8210Biblioteca Digital de Teses e Dissertaçõeshttp://200.129.163.131:8080/PUBhttp://200.129.163.131:8080/oai/requestddbc@ufam.edu.br||ddbc@ufam.edu.bropendoar:65922021-04-13T02:10:52Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM)false |
dc.title.none.fl_str_mv |
Segmentação da região pulmonar em imagens de radiografia torácica utilizando redes neurais convolutivas Lung region segmentation in chest x-ray images using deep convolutional neural networks |
title |
Segmentação da região pulmonar em imagens de radiografia torácica utilizando redes neurais convolutivas |
spellingShingle |
Segmentação da região pulmonar em imagens de radiografia torácica utilizando redes neurais convolutivas Portela, Ronaldo de Sá Convolutive neural network Chest radiography Japanese Society of Radiological Technology Exame de imagem Neoplasia pulmonar ENGENHARIAS Segmentação Pulmonar Radiografia Torácica Redes Neurais Convolutivas Aprendizado Profundo |
title_short |
Segmentação da região pulmonar em imagens de radiografia torácica utilizando redes neurais convolutivas |
title_full |
Segmentação da região pulmonar em imagens de radiografia torácica utilizando redes neurais convolutivas |
title_fullStr |
Segmentação da região pulmonar em imagens de radiografia torácica utilizando redes neurais convolutivas |
title_full_unstemmed |
Segmentação da região pulmonar em imagens de radiografia torácica utilizando redes neurais convolutivas |
title_sort |
Segmentação da região pulmonar em imagens de radiografia torácica utilizando redes neurais convolutivas |
author |
Portela, Ronaldo de Sá |
author_facet |
Portela, Ronaldo de Sá http://lattes.cnpq.br/3550218083163609 |
author_role |
author |
author2 |
http://lattes.cnpq.br/3550218083163609 |
author2_role |
author |
dc.contributor.none.fl_str_mv |
Costa Filho, Cícero Ferreira Fernandes http://lattes.cnpq.br/3029011770761387 Oliveira, Jozias Parente de http://lattes.cnpq.br/1169202481169729 Costa, José Mir Justino da http://lattes.cnpq.br/2396817509327075 |
dc.contributor.author.fl_str_mv |
Portela, Ronaldo de Sá http://lattes.cnpq.br/3550218083163609 |
dc.subject.por.fl_str_mv |
Convolutive neural network Chest radiography Japanese Society of Radiological Technology Exame de imagem Neoplasia pulmonar ENGENHARIAS Segmentação Pulmonar Radiografia Torácica Redes Neurais Convolutivas Aprendizado Profundo |
topic |
Convolutive neural network Chest radiography Japanese Society of Radiological Technology Exame de imagem Neoplasia pulmonar ENGENHARIAS Segmentação Pulmonar Radiografia Torácica Redes Neurais Convolutivas Aprendizado Profundo |
description |
Segundo dados do Instituto Nacional de Câncer, o câncer de pulmão é um dos tumores mais frequentes na população brasileira. O processo para seu diagnóstico por vezes passa pela necessidade de segmentar a região pulmonar em um exame de imagem, fase essa que demanda horas de um profissional da área médica. Sendo assim, a utilização de ferramentas que aplicam técnicas automatizadas para realizar essa tarefa pode auxiliá-los. Esta dissertação desenvolve uma metodologia automática, baseada em redes neurais convolutivas, para segmentar a região pulmonar em imagens de radiografia torácica. São desenvolvidas três arquiteturas (CNN1, CNN2 e CNN3), onde as arquiteturas CNN1 e CNN2 são de rede direta, enquanto a arquitetura CNN3 é uma topologia de grafos acíclicos direcionados (DAG). Em conjunto com as arquiteturas são investigados três diferentes métodos de regularização (Dropout, L2 e Dropout+L2) e três diferentes métodos de otimização (SGDM, RMSPROP e ADAM). A base de dados utilizada para esse estudo é a JSRT - Japanese Society of Radiological Technology, que contém 247 imagens de radiografia torácica. Como forma de mensurar a performance das redes estudadas foram utilizados seis métricas de desempenho, são elas: Acurácia Global, Acurácia, Coeficiente de Jaccard, Coeficiente de Jaccard Ponderado, Score F1 e Índice Dice. Ao término de todas as simulações, os melhores resultados foram alcançados utilizando a rede CNN3, que faz uso da topologia DAG, conjuntamente com o método de regularização Dropout+L2 e método de otimização ADAM. As métricas obtidas foram: Acurácia Global igual a 0.99139 ± 0.00098; Acurácia igual a 0.98927 ± 0.00161; Coeficiente de Jaccard de 0.97967 ± 0.00232; Coeficiente de Jaccard Ponderado igual a 0.98294 ± 0.00191; Score F1 de 0.97475 ± 0.00357 e, por fim, um Índice Dice de 0.98921 ± 0.00163. |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020-05-29 2021-04-09T15:31:32Z |
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 |
PORTELA, Ronaldo de Sá. Segmentação da região pulmonar em imagens de radiografia torácica utilizando redes neurais convolutivas. 2020. 124 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus, 2020. https://tede.ufam.edu.br/handle/tede/8210 |
identifier_str_mv |
PORTELA, Ronaldo de Sá. Segmentação da região pulmonar em imagens de radiografia torácica utilizando redes neurais convolutivas. 2020. 124 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus, 2020. |
url |
https://tede.ufam.edu.br/handle/tede/8210 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Federal do Amazonas Faculdade de Tecnologia Brasil UFAM Programa de Pós-graduação em Engenharia Elétrica |
publisher.none.fl_str_mv |
Universidade Federal do Amazonas Faculdade de Tecnologia Brasil UFAM Programa de Pós-graduação em Engenharia Elétrica |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFAM instname:Universidade Federal do Amazonas (UFAM) instacron:UFAM |
instname_str |
Universidade Federal do Amazonas (UFAM) |
instacron_str |
UFAM |
institution |
UFAM |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFAM |
collection |
Biblioteca Digital de Teses e Dissertações da UFAM |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM) |
repository.mail.fl_str_mv |
ddbc@ufam.edu.br||ddbc@ufam.edu.br |
_version_ |
1809732042827497472 |