Segmentação Interativa de Imagens de tomografia computadorizada pulmonar com COVID-19 via aprendizado profundo

Detalhes bibliográficos
Autor(a) principal: Bruzadin, Aldimir José
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UNESP
Texto Completo: http://hdl.handle.net/11449/211039
Resumo: Neste trabalho, apresentamos um novo método de segmentação interativa de imagens baseado em aprendizado profundo, com foco em imagens médicas do pulmão de pacientes acometidos pela Covid-19. Inicialmente, aplicamos uma pré-segmentação nas imagens, utilizando-se para tal o modelo de Mistura Gaussiana visando predizer os pesos das bordas de cada imagem para posterior uso no algoritmo denominado Random Walker, que foi integrado como parte de uma arquitetura inteligente de Redes Neurais Convolucionais. Além disso, no processo de aprendizado, empregamos o método do Gradiente Descendente em conjunto com duas técnicas de simplificação, a saber: Gradiente Esparso e Poda do Gradiente, reduzindo assim a quantidade de cálculos a serem realizados durante a etapa de backpropagation no pipeline de aprendizado proposto. Já para a obtenção das segmentações após o aprendizado dos pesos das bordas, e tendo em mente que representações 3D, de Tomografia Computadorizada, podem chegar a reunir centenas de imagens 2D (slices), o método emprega apenas um mapa de pixels rotulados pelo usuário como entrada a fim de criar automaticamente novos mapas de rotulação para os demais slices 2D do órgão do paciente. Resultados experimentais e comparações com outras técnicas da literatura atestam a alta performance e acurácia da metodologia de segmentação de imagens proposta.
id UNSP_bc0014d95dc55895625098c052d5e773
oai_identifier_str oai:repositorio.unesp.br:11449/211039
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str 2946
spelling Segmentação Interativa de Imagens de tomografia computadorizada pulmonar com COVID-19 via aprendizado profundoInteractive segmentation of lung computed tomography images with COVID-19 via deep learningSegmentação de imagensInteligência computacionalAprendizado profundoCovid-19Imagens médicasImage segmentationComputational intelligenceDeep learningMedical imagesNeste trabalho, apresentamos um novo método de segmentação interativa de imagens baseado em aprendizado profundo, com foco em imagens médicas do pulmão de pacientes acometidos pela Covid-19. Inicialmente, aplicamos uma pré-segmentação nas imagens, utilizando-se para tal o modelo de Mistura Gaussiana visando predizer os pesos das bordas de cada imagem para posterior uso no algoritmo denominado Random Walker, que foi integrado como parte de uma arquitetura inteligente de Redes Neurais Convolucionais. Além disso, no processo de aprendizado, empregamos o método do Gradiente Descendente em conjunto com duas técnicas de simplificação, a saber: Gradiente Esparso e Poda do Gradiente, reduzindo assim a quantidade de cálculos a serem realizados durante a etapa de backpropagation no pipeline de aprendizado proposto. Já para a obtenção das segmentações após o aprendizado dos pesos das bordas, e tendo em mente que representações 3D, de Tomografia Computadorizada, podem chegar a reunir centenas de imagens 2D (slices), o método emprega apenas um mapa de pixels rotulados pelo usuário como entrada a fim de criar automaticamente novos mapas de rotulação para os demais slices 2D do órgão do paciente. Resultados experimentais e comparações com outras técnicas da literatura atestam a alta performance e acurácia da metodologia de segmentação de imagens proposta.In this dissertation, we present a new interactive image segmentation method based on deep learning for pulmonary medical images, from patients affected by Covid-19. First, we apply a pre-segmentation step on the input images by using the so-called Gaussian Mixture Model in order to predict the edge weights of the images, which are used by the Random Walker algorithm coupled with an integrated Convolutional Neural Network-based architecture. During the learning process, we take the Descending Gradient method in conjunction with two simplification techniques: Sparse Gradient and Gradient Pruning, to reduce the amount of calculations in the back-propagation stage of the proposed learning pipeline. In order to obtain the segmentations after learning the edge weights, and keeping in mind that 3D representations from Computed Tomography can usually reach hundreds of slices, we employ only a user-labeled map of pixels as input data to automatically create new seed maps to all other slices of the patient’s organ. Experimental results and comparisons against existing techniques attest to the high performance and accuracy of the proposed image segmentation methodology.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)CAPES: 001Universidade Estadual Paulista (Unesp)Casaca, Wallace Correa de Oliveira [UNESP]Boaventura, Maurílio [UNESP]Universidade Estadual Paulista (Unesp)Bruzadin, Aldimir José2021-07-13T17:13:18Z2021-07-13T17:13:18Z2021-06-02info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/11449/21103933004153071P0porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2023-12-09T06:18:02Zoai:repositorio.unesp.br:11449/211039Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462024-08-05T19:49:40.619454Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false
dc.title.none.fl_str_mv Segmentação Interativa de Imagens de tomografia computadorizada pulmonar com COVID-19 via aprendizado profundo
Interactive segmentation of lung computed tomography images with COVID-19 via deep learning
title Segmentação Interativa de Imagens de tomografia computadorizada pulmonar com COVID-19 via aprendizado profundo
spellingShingle Segmentação Interativa de Imagens de tomografia computadorizada pulmonar com COVID-19 via aprendizado profundo
Bruzadin, Aldimir José
Segmentação de imagens
Inteligência computacional
Aprendizado profundo
Covid-19
Imagens médicas
Image segmentation
Computational intelligence
Deep learning
Medical images
title_short Segmentação Interativa de Imagens de tomografia computadorizada pulmonar com COVID-19 via aprendizado profundo
title_full Segmentação Interativa de Imagens de tomografia computadorizada pulmonar com COVID-19 via aprendizado profundo
title_fullStr Segmentação Interativa de Imagens de tomografia computadorizada pulmonar com COVID-19 via aprendizado profundo
title_full_unstemmed Segmentação Interativa de Imagens de tomografia computadorizada pulmonar com COVID-19 via aprendizado profundo
title_sort Segmentação Interativa de Imagens de tomografia computadorizada pulmonar com COVID-19 via aprendizado profundo
author Bruzadin, Aldimir José
author_facet Bruzadin, Aldimir José
author_role author
dc.contributor.none.fl_str_mv Casaca, Wallace Correa de Oliveira [UNESP]
Boaventura, Maurílio [UNESP]
Universidade Estadual Paulista (Unesp)
dc.contributor.author.fl_str_mv Bruzadin, Aldimir José
dc.subject.por.fl_str_mv Segmentação de imagens
Inteligência computacional
Aprendizado profundo
Covid-19
Imagens médicas
Image segmentation
Computational intelligence
Deep learning
Medical images
topic Segmentação de imagens
Inteligência computacional
Aprendizado profundo
Covid-19
Imagens médicas
Image segmentation
Computational intelligence
Deep learning
Medical images
description Neste trabalho, apresentamos um novo método de segmentação interativa de imagens baseado em aprendizado profundo, com foco em imagens médicas do pulmão de pacientes acometidos pela Covid-19. Inicialmente, aplicamos uma pré-segmentação nas imagens, utilizando-se para tal o modelo de Mistura Gaussiana visando predizer os pesos das bordas de cada imagem para posterior uso no algoritmo denominado Random Walker, que foi integrado como parte de uma arquitetura inteligente de Redes Neurais Convolucionais. Além disso, no processo de aprendizado, empregamos o método do Gradiente Descendente em conjunto com duas técnicas de simplificação, a saber: Gradiente Esparso e Poda do Gradiente, reduzindo assim a quantidade de cálculos a serem realizados durante a etapa de backpropagation no pipeline de aprendizado proposto. Já para a obtenção das segmentações após o aprendizado dos pesos das bordas, e tendo em mente que representações 3D, de Tomografia Computadorizada, podem chegar a reunir centenas de imagens 2D (slices), o método emprega apenas um mapa de pixels rotulados pelo usuário como entrada a fim de criar automaticamente novos mapas de rotulação para os demais slices 2D do órgão do paciente. Resultados experimentais e comparações com outras técnicas da literatura atestam a alta performance e acurácia da metodologia de segmentação de imagens proposta.
publishDate 2021
dc.date.none.fl_str_mv 2021-07-13T17:13:18Z
2021-07-13T17:13:18Z
2021-06-02
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/11449/211039
33004153071P0
url http://hdl.handle.net/11449/211039
identifier_str_mv 33004153071P0
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 application/pdf
dc.publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESP
instname:Universidade Estadual Paulista (UNESP)
instacron:UNESP
instname_str Universidade Estadual Paulista (UNESP)
instacron_str UNESP
institution UNESP
reponame_str Repositório Institucional da UNESP
collection Repositório Institucional da UNESP
repository.name.fl_str_mv Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)
repository.mail.fl_str_mv
_version_ 1808129125544624128