Deep learning for corpus callosum segmentation in brain magnetic resonance images

Detalhes bibliográficos
Autor(a) principal: Silva, Flávio Henrique Schuindt da
Data de Publicação: 2018
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Institucional da UFRJ
Texto Completo: http://hdl.handle.net/11422/13035
Resumo: In this work we present a novel method to segment Corpus Callosum in Magnetic Resonance Images (MRI) using U-Net, a Fully Convolutional Neural Network. We trained the U-Net using two public datasets and evaluated the trained model in a test set also obtained from these two public datasets. Results are obtained making comparisons using the Structural Similarity Index (SSIM) and Dice Coefficient between the Ground Truth and the Predicted image.
id UFRJ_7d882536c107a7090efdf114bf6ff9b3
oai_identifier_str oai:pantheon.ufrj.br:11422/13035
network_acronym_str UFRJ
network_name_str Repositório Institucional da UFRJ
repository_id_str
spelling Deep learning for corpus callosum segmentation in brain magnetic resonance imagesAprendizado profundo para segmentação do corpo caloso em imagens de ressonância magnética do cérebroDeep LearningMachine LearningHealthcareBrainMRIU-NetImage SegmentationPythonTensorflowKerasCNPQ::ENGENHARIASIn this work we present a novel method to segment Corpus Callosum in Magnetic Resonance Images (MRI) using U-Net, a Fully Convolutional Neural Network. We trained the U-Net using two public datasets and evaluated the trained model in a test set also obtained from these two public datasets. Results are obtained making comparisons using the Structural Similarity Index (SSIM) and Dice Coefficient between the Ground Truth and the Predicted image.Apresentamos neste trabalho um novo método para segmentar o Corpo Caloso em imagens de ressonância magnética (MRI) usando U-Net, uma rede puramente convolucional. Treinamos a U-Net usando dois datasets públicos e validamos o modelo treinado em um conjunto de teste também obtido a partir destes datasets públicos. Os resultados são obtidos realizando comparações usando o Índice de Similaridade Estrutural (SSIM) e o coeficiente Dice entre a imagem gabarito e a imagem gerada pelo modelo.Universidade Federal do Rio de JaneiroBrasilInstituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de EngenhariaPrograma de Pós-Graduação em Engenharia de Sistemas e ComputaçãoUFRJFarias, Ricardo Cordeiro dehttp://lattes.cnpq.br/9063837162469343http://lattes.cnpq.br/4294454856698495França, Felipe Maia GalvãoZamith, Marcelo Panaro de MoraesSilva, Flávio Henrique Schuindt da2020-09-19T17:19:07Z2023-12-21T03:02:16Z2018-03info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/11422/13035enginfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRJinstname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJ2023-12-21T03:02:16Zoai:pantheon.ufrj.br:11422/13035Repositório InstitucionalPUBhttp://www.pantheon.ufrj.br/oai/requestpantheon@sibi.ufrj.bropendoar:2023-12-21T03:02:16Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)false
dc.title.none.fl_str_mv Deep learning for corpus callosum segmentation in brain magnetic resonance images
Aprendizado profundo para segmentação do corpo caloso em imagens de ressonância magnética do cérebro
title Deep learning for corpus callosum segmentation in brain magnetic resonance images
spellingShingle Deep learning for corpus callosum segmentation in brain magnetic resonance images
Silva, Flávio Henrique Schuindt da
Deep Learning
Machine Learning
Healthcare
Brain
MRI
U-Net
Image Segmentation
Python
Tensorflow
Keras
CNPQ::ENGENHARIAS
title_short Deep learning for corpus callosum segmentation in brain magnetic resonance images
title_full Deep learning for corpus callosum segmentation in brain magnetic resonance images
title_fullStr Deep learning for corpus callosum segmentation in brain magnetic resonance images
title_full_unstemmed Deep learning for corpus callosum segmentation in brain magnetic resonance images
title_sort Deep learning for corpus callosum segmentation in brain magnetic resonance images
author Silva, Flávio Henrique Schuindt da
author_facet Silva, Flávio Henrique Schuindt da
author_role author
dc.contributor.none.fl_str_mv Farias, Ricardo Cordeiro de
http://lattes.cnpq.br/9063837162469343
http://lattes.cnpq.br/4294454856698495
França, Felipe Maia Galvão
Zamith, Marcelo Panaro de Moraes
dc.contributor.author.fl_str_mv Silva, Flávio Henrique Schuindt da
dc.subject.por.fl_str_mv Deep Learning
Machine Learning
Healthcare
Brain
MRI
U-Net
Image Segmentation
Python
Tensorflow
Keras
CNPQ::ENGENHARIAS
topic Deep Learning
Machine Learning
Healthcare
Brain
MRI
U-Net
Image Segmentation
Python
Tensorflow
Keras
CNPQ::ENGENHARIAS
description In this work we present a novel method to segment Corpus Callosum in Magnetic Resonance Images (MRI) using U-Net, a Fully Convolutional Neural Network. We trained the U-Net using two public datasets and evaluated the trained model in a test set also obtained from these two public datasets. Results are obtained making comparisons using the Structural Similarity Index (SSIM) and Dice Coefficient between the Ground Truth and the Predicted image.
publishDate 2018
dc.date.none.fl_str_mv 2018-03
2020-09-19T17:19:07Z
2023-12-21T03:02:16Z
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/11422/13035
url http://hdl.handle.net/11422/13035
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.publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
Brasil
Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
Programa de Pós-Graduação em Engenharia de Sistemas e Computação
UFRJ
publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
Brasil
Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
Programa de Pós-Graduação em Engenharia de Sistemas e Computação
UFRJ
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRJ
instname:Universidade Federal do Rio de Janeiro (UFRJ)
instacron:UFRJ
instname_str Universidade Federal do Rio de Janeiro (UFRJ)
instacron_str UFRJ
institution UFRJ
reponame_str Repositório Institucional da UFRJ
collection Repositório Institucional da UFRJ
repository.name.fl_str_mv Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)
repository.mail.fl_str_mv pantheon@sibi.ufrj.br
_version_ 1815456010101325824

Registros relacionados