Semantic segmentation with multi-source domain adaptation for radiological images

• Autor(a) principal: Hugo Neves de Oliveira
• Data de Publicação: 2020
• Tipo de documento: Tese
• Idioma: eng
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/51331; https://orcid.org/0000-0003-2622-1277
• topic: Aprendizado profundo; Adaptação de domínio; Imagens médicas; Segmentação de imagens; Computação – Teses.; Aprendizado profundo; Adaptação de domínio; Imagens médicas; Segmentação de imagens.

Técnicas de digitalização distintas para imagens médicas resultam em diferentes padrões visuais nas amostras de vários tipos de exames radiológicos. Essas diferenças podem dificultar o uso de técnicas de Aprendizado de Máquina baseadas em dados para inferência sobre essas imagens, como métodos de Aprendizado Profundo. Outra considerável dificuldade neste ramo de pesquisa é a falta de amostras rotuladas, embora haja em muitos casos uma abundância de dados não-rotulados. Portanto um importante passo para melhorar a capacidade de generalização desses métodos é a aprimoração de técnicas de Adaptação de Domínio Não-Supervisionada e Semi-Supervisionada entre diferentes bancos de dados de imagens médicas. Visando resolver esse problema, neste trabalho são propostos dois métodos de Adaptação de Domínio Não-Supervisionada e Semi-Supervisionada para tarefas de rotulação densa em imagens médicas que usa Redes Generativas Adversariais para Tradução Não-Supervisionada de Imagens. Os métodos mesclam esses modelos generativos com arquiteturas conhecidas para segmentação semântica visando criar métodos semi-supervisionados capazes de aprender tanto de dados não rotulados quanto de dados rotulados, sempre que rotulação estiver disponível. O primeiro método proposto, de forma similar à maioria dos outros trabalhos na literatura de Tradução de Imagens, é limitado a um par de domínios: um domínio fonte e um domínio alvo. O segundo método proposto nesse trabalho utiliza treinamento condicional de conjuntos de dados para encorajar Generalização de Domínio entre várias fontes de dados do mesmo tipo. A partir desse segundo método baseado em condicionamento de conjunto de dados, também se propõe uma nova metodologia para segmentação de costelas em imagens de raio-x que não necessita de nenhum tipo de rotulação. Os métodos propostos foram comparados usando vários domínios, bancos de dados, tarefas de segmentação e baselines tradicionais da área de Adaptação de Domínio, tal qual o uso de modelos pré-treinados com e sem fine-tuning. Foram feitas análises quantitativas e qualitativas do método proposto e dos baselines nos vários cenários considerados na avaliação experimental deste trabalho. São observadas as limitações dos métodos Adaptação de Domínio entre apenas um par de conjuntos de dados na construção de métodos generalizáveis de segmentação de radiografias, o que evidencia a melhor eficácia de métodos que se utilizam de várias fontes de dados nessa tarefa. O método baseado em treinamento condicional demonstrou superioridade consistente e significante nos cenários de rotulação escassa – ou seja, quando a rotulação é limitada ou não-existente no conjunto de dados alvo – conseguindo valores de Jaccard maiores que 0.9 na maioria das tarefas. Resultados de Adaptação de Domínio Não-Supervisionada foram observados como próximos dos casos supervisionados usados no procedimento padrão de usar modelos pré-treinados de Redes Neurais Profundas com fine-tuning.