Registro não-rígido de imagens médicas usando block-based principal component analysis como camada de pooling

• Autor(a) principal: Pinheiro Junior, Uemerson
• Data de Publicação: 2024
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: https://hdl.handle.net/11449/255307
• topic: Registro não-rígido de imagem; Imagens médicas; Aprendizado profundo; Análise de componentes principais; Block-based principal component analysis; Non-rigid image registration; Medical images; Deep learning; Principal component analysis

O registro não-rígido de imagem é fundamental em muitas tarefas de análise em imagens médicas. O registro não-rígido visa estabelecer correspondências espaciais com o intuito de minimizar as diferenças entre a imagem fixa e a imagem móvel. As técnicas convencionais de registro de imagens, devido à abordagem iterativa, são lentas, mesmo se realizada com as melhores técnicas e com as melhores GPUs. Além disso, possui dificuldades com convergência ou estagnação prematura, principalmente com imagens multimodais. Desta forma, recentemente, foi introduzida na literatura a abordagem de registro de imagem com aprendizado profundo visando resolver os problemas de lentidão, de convergência ou estagnação prematura dos métodos convencionais. Algumas destas novas abordagens são baseadas na rede U-Net, utilizando camadas clássicas de pooling, tal como o Max Pooling, que não consideram a relação espacial para realizar uma compressão mais representativa dos dados. Por outro lado, outras técnicas perdem a relação espacial dos dados, como o uso da análise de componentes principais (PCA) global como pooling. Assim, o presente trabalho tem o objetivo de investigar a utilização da técnica PCA baseada em Blocos (Block-based PCA, i.e., BPCA) como técnica de pooling para ambas as etapas de subamostragem e reconstrução de uma U-Net aplicada ao problema de registro de imagens médicas. A fim de analisar a efetividade desse método, foram realizados experimentos nos conjuntos de dados OASIS e IXI, que são conjuntos de dados de imagens 3D de ressonância magnética ponderadas em T1 do cérebro. Os experimentos revelaram que o BPCA superou o Max Pooling no conjunto de dados IXI e apresentou desempenho equivalente no conjunto de dados de validação do OASIS, apresentando valores inferiores apenas no conjunto de testes do OASIS. Além disso, a combinação dos dois métodos, em que o BPCA é utilizado nas três camadas iniciais de pooling e, na última camada, o Max Pooling, superou os resultados dos outros experimentos na métrica Dice. Assim, com os resultados qualitativos e quantitativos, foi demonstrado que o método BPCA é uma alternativa viável para o registro não-rígido de imagens.