Análise do método de aprendizado semi-supervisionado Teacher-Student para segmentação de imagens médicas usando redes neurais convolucionais

Detalhes bibliográficos
Autor(a) principal: Martins, Roberto Augusto Philippi
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/240875
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2022.
id UFSC_38c42306be1f9023bc04f98237095463
oai_identifier_str oai:repositorio.ufsc.br:123456789/240875
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Análise do método de aprendizado semi-supervisionado Teacher-Student para segmentação de imagens médicas usando redes neurais convolucionaisEngenharia elétricaAprendizado do computadorRedes neurais (Computação)Diagnóstico por imagemDissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2022.Um dos maiores desafios encontrados na área de aprendizado de máquina é a obtenção de conjuntos de dados suficientemente grandes para realização do treinamento de redes neurais. A obtenção de amostras anotadas é especialmente difícil dentro da área de biomédica, dado que as imagens de interesse tem o acesso limitado devido a questões técnicas e legais, e visto que a anotação correta das amostras depende do trabalho de profissionais qualificados. Aprendizado Semi-Supervisionado (SSL) é uma técnica que permite reduzir a dependência em amostras anotadas, uma vez que ela consegue fazer uso de amostras não anotadas junto ao treinamento de redes neurais. Neste trabalho é avaliada a utilização do método de aprendizado semi-supervisionado Teacher-Student no treinamento de um modelo de segmentação semântica, voltado para a avaliação de lesões em imagens de exames de fundo de olho para diagnóstico de retinopatia diabética. É observado que a utilização desse método permite o treinamento bem sucedido de um modelo, utilizando um conjunto de dados extremamente reduzido, com um ganho de performance significativo quando comparado ao modelo treinado de maneira supervisionada. Obtemos AUPR=0,587 com o uso de SSL quando utilizando apenas 16 imagens do conjunto de dados FGADR, comparado com AUPR=0,513 sem a utilização de SSL. Adicionalmente, quando utilizando adaptação de domínio com o conjunto de dados IDRiD, observamos um aumento de AUPR=0,542 para AUPR=0,594 com o uso de SSL.Abstract: One of the biggest challenges found in the field of machine learning is to obtain large enough datasets in order to train neural network models. Obtaining annotated samples is especially difficult within the biomedical field, since access to medical data is often hindered by technical and legal barriers, and since the correct annotation of samples requires the work of qualified professionals. Semi-Supervised Learning (SSL) is a technique that reduces the dependence on annotated samples, since it manages to incorporate unannotated samples in the supervised training of neural networks. This work evaluates the use of the Teacher-Student semi-supervised learning method in the training of a semantic segmentation model, aimed at the evaluation of lesions in images of eye fundus exams for the diagnosis of diabetic retinopathy. It is observed that the use of this method allows the successful training of a model using an extremely small dataset, with a significant performance gain when compared to the purely supervised counterpart. We show an improvement on the performance from AUPR=0.513 to AUPR=0.587 when using SSL and training with only 16 images from the FGADR dataset. Additionally, when using domain adaptation with the IDRiD dataset, we show an increase from AUPR=0,542 to AUPR=0,594 with the use of SSL.Silva, DaniloUniversidade Federal de Santa CatarinaMartins, Roberto Augusto Philippi2022-10-21T16:50:21Z2022-10-21T16:50:21Z2022info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis65 p.| il., gráfs.application/pdf378234https://repositorio.ufsc.br/handle/123456789/240875porreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2022-10-21T16:50:21Zoai:repositorio.ufsc.br:123456789/240875Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732022-10-21T16:50:21Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Análise do método de aprendizado semi-supervisionado Teacher-Student para segmentação de imagens médicas usando redes neurais convolucionais
title Análise do método de aprendizado semi-supervisionado Teacher-Student para segmentação de imagens médicas usando redes neurais convolucionais
spellingShingle Análise do método de aprendizado semi-supervisionado Teacher-Student para segmentação de imagens médicas usando redes neurais convolucionais
Martins, Roberto Augusto Philippi
Engenharia elétrica
Aprendizado do computador
Redes neurais (Computação)
Diagnóstico por imagem
title_short Análise do método de aprendizado semi-supervisionado Teacher-Student para segmentação de imagens médicas usando redes neurais convolucionais
title_full Análise do método de aprendizado semi-supervisionado Teacher-Student para segmentação de imagens médicas usando redes neurais convolucionais
title_fullStr Análise do método de aprendizado semi-supervisionado Teacher-Student para segmentação de imagens médicas usando redes neurais convolucionais
title_full_unstemmed Análise do método de aprendizado semi-supervisionado Teacher-Student para segmentação de imagens médicas usando redes neurais convolucionais
title_sort Análise do método de aprendizado semi-supervisionado Teacher-Student para segmentação de imagens médicas usando redes neurais convolucionais
author Martins, Roberto Augusto Philippi
author_facet Martins, Roberto Augusto Philippi
author_role author
dc.contributor.none.fl_str_mv Silva, Danilo
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Martins, Roberto Augusto Philippi
dc.subject.por.fl_str_mv Engenharia elétrica
Aprendizado do computador
Redes neurais (Computação)
Diagnóstico por imagem
topic Engenharia elétrica
Aprendizado do computador
Redes neurais (Computação)
Diagnóstico por imagem
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2022.
publishDate 2022
dc.date.none.fl_str_mv 2022-10-21T16:50:21Z
2022-10-21T16:50:21Z
2022
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 378234
https://repositorio.ufsc.br/handle/123456789/240875
identifier_str_mv 378234
url https://repositorio.ufsc.br/handle/123456789/240875
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 65 p.| il., gráfs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652310638755840

Registros relacionados