Modelo de aprendizagem não supervisionado baseado em saliência visual para segmentação automática da região pulmonar em imagens de raio-X

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Almeida, Pedro Aurélio Coelho de
Orientador(a): Borges, Díbio Leandro
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Link de acesso: http://repositorio2.unb.br/jspui/handle/10482/47225
Resumo: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, Programa de Pós-Graduação em Engenharia Mecânica, 2023.
id UNB_d9bc4d8083d3fb50068b53b7126d22e9
oai_identifier_str oai:repositorio2.unb.br:10482/47225
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Almeida, Pedro Aurélio Coelho depedro.almeiabsb@gmail.comBorges, Díbio Leandro2024-01-12T10:01:55Z2024-01-12T10:01:55Z2024-01-122023-08-25ALMEIDA, Pedro Aurélio Coelho de. Modelo de aprendizagem não supervisionado baseado em saliência visual para segmentação automática da região pulmonar em imagens de raio-X. 2023. 66 f., il. Dissertação (Mestrado em Ciências Mecânicas) — Universidade de Brasília, Brasília, 2023.http://repositorio2.unb.br/jspui/handle/10482/47225Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, Programa de Pós-Graduação em Engenharia Mecânica, 2023.Separar automaticamente regiões com propriedades semelhantes em uma imagem, também chamada de segmentação, é uma tarefa desafiadora para sistemas computacionais, mas também capaz de economizar esforço e evitar erros por fadiga de seres humanos. Uma das áreas do conhecimento que pode se beneficiar de métodos de segmentação automática é a de imagens médicas. Nesse aspecto, raios-X torácicos compõem uma aplicação extremamente valiosa de segmentação automática de imagens, devido ao seu baixo custo de implementação e captura de informações ligadas a doenças pulmonares. Métodos computacionais automáticos atuais com grande aplicação na segmentação pulmonar de raios-X necessitam de dados previamente rotulados para ’aprender’ a realizar essa tarefa. Uma alternativa a esses métodos é a aprendizagem profunda não supervisionada, que precisa somente da imagem de raio-X. Considerando o aspecto visual de segmentação e o destaque visual da área pulmonar dentro de uma imagem de raio-X, propõe-se combinar aprendizagem profunda não supervisionada com a área de saliência visual, que busca estimar as porções da imagem que mais atraem a atenção visual humana, para segmentar a região pulmonar de raios-X. O método de saliência visual é comparado a outros trabalhos de aprendizagem não supervisionada e também supervisionadas destinados à segmentação de regiões corporais em imagens em escala de cinzas. Os resultados com as métricas Dice, Jaccard, precisão e revocação nas bases de dados JSRT e MC indicam que a melhoria de desempenho do modelo baseado em saliência é estatisticamente significativa quando comparado às técnicas não supervisionadas. Se analisado a partir de abordagens supervisionadas, o método baseado em saliência parece ser adequado como substituto das suas contrapartes, tendo em vista a flexibilidade obtida pela independência de rótulos manualmente definidos. Trabalhos futuros incluem segmentar a área cardíaca e identificar anomalias em imagens de raios-X de forma não supervisionada.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES).Automatically dividing an image into regions of similar properties, named segmentation, is a challenging task for computers, and it can avoid human errors induced by fatigue. One area that may be greatly benefited from automatic segmentation methods is medical imaging analysis. Within it, chest X-rays are amongst the cheapest and most widely available type of medical images. Provided they can be used for diagnosing lung related diseases, they are an excellent target for automatic image segmentation methods. The current state-of-the art image segmentation relies on manual labels defined a priori to ’learn’ the necessary features for this task. Deep unsupervised learning stands as an interesting alternative to supervised methods, since it only requires the input (e.g. the image X-ray) for training. Due to the visual nature of image segmentation and the standout aspect of the lungs on an X-ray, the combination of unsupervised learning and visual saliency (i.e. the attempt to model human visual attention) is tested for the lung segmentation on X-ray images. The saliency method is compared to state-of-the-art supervised and unsupervised models designed for grayscale medical image segmentation. Results using the Dice, Jaccard, precision and recall scores on JSRT and MC datasets indicate that the saliency method enhanced performance over other unsupervised approaches is statistically significant. When compared to supervised models, the saliency method appears to adequately substitute them given the flexibility achieved by the independence from manual labels. Future work includes segmenting the cardiac area and identifying anomalies on X-ray images in an unsupervised fashion.Faculdade de Tecnologia (FT)Departamento de Engenharia Mecânica (FT ENM)Programa de Pós-Graduação em Ciências MecânicasporModelo de aprendizagem não supervisionado baseado em saliência visual para segmentação automática da região pulmonar em imagens de raio-Xinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisSegmentação semânticaSegmentação automáticaProcessamento de imagens médicasInteligência artificialImagens de raio-XAprendizagem de máquinainfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNBORIGINAL2023_PedroAurelioCoelhodeAlmeida.pdf2023_PedroAurelioCoelhodeAlmeida.pdfapplication/pdf59455750http://repositorio2.unb.br/jspui/bitstream/10482/47225/1/2023_PedroAurelioCoelhodeAlmeida.pdf855c5aa0ebcb6ad4046761357265ca6bMD51open accessLICENSElicense.txtlicense.txttext/plain102http://repositorio2.unb.br/jspui/bitstream/10482/47225/2/license.txtaed4704d04bb260d4decd80db311aaa5MD52open access10482/472252024-02-08 18:39:59.744open accessoai:repositorio2.unb.br:10482/47225U3VibWlzc8OjbyBlZmV0aXZhZGEgZGUgYWNvcmRvIGNvbSBsaWNlbsOnYSBjb25jZWRpZGEgcGVsbyBhdXRvciBlL291IGRldGVudG9yIGRvcyBkaXJlaXRvcyBhdXRvcmFpcy4KBiblioteca Digital de Teses e DissertaçõesPUBhttps://repositorio.unb.br/oai/requestopendoar:2024-02-08T21:39:59Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.pt_BR.fl_str_mv Modelo de aprendizagem não supervisionado baseado em saliência visual para segmentação automática da região pulmonar em imagens de raio-X
title Modelo de aprendizagem não supervisionado baseado em saliência visual para segmentação automática da região pulmonar em imagens de raio-X
spellingShingle Modelo de aprendizagem não supervisionado baseado em saliência visual para segmentação automática da região pulmonar em imagens de raio-X
Almeida, Pedro Aurélio Coelho de
Segmentação semântica
Segmentação automática
Processamento de imagens médicas
Inteligência artificial
Imagens de raio-X
Aprendizagem de máquina
title_short Modelo de aprendizagem não supervisionado baseado em saliência visual para segmentação automática da região pulmonar em imagens de raio-X
title_full Modelo de aprendizagem não supervisionado baseado em saliência visual para segmentação automática da região pulmonar em imagens de raio-X
title_fullStr Modelo de aprendizagem não supervisionado baseado em saliência visual para segmentação automática da região pulmonar em imagens de raio-X
title_full_unstemmed Modelo de aprendizagem não supervisionado baseado em saliência visual para segmentação automática da região pulmonar em imagens de raio-X
title_sort Modelo de aprendizagem não supervisionado baseado em saliência visual para segmentação automática da região pulmonar em imagens de raio-X
author Almeida, Pedro Aurélio Coelho de
author_facet Almeida, Pedro Aurélio Coelho de
author_role author
dc.contributor.email.pt_BR.fl_str_mv pedro.almeiabsb@gmail.com
dc.contributor.author.fl_str_mv Almeida, Pedro Aurélio Coelho de
dc.contributor.advisor1.fl_str_mv Borges, Díbio Leandro
contributor_str_mv Borges, Díbio Leandro
dc.subject.keyword.pt_BR.fl_str_mv Segmentação semântica
Segmentação automática
Processamento de imagens médicas
Inteligência artificial
Imagens de raio-X
Aprendizagem de máquina
topic Segmentação semântica
Segmentação automática
Processamento de imagens médicas
Inteligência artificial
Imagens de raio-X
Aprendizagem de máquina
description Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, Programa de Pós-Graduação em Engenharia Mecânica, 2023.
publishDate 2023
dc.date.submitted.none.fl_str_mv 2023-08-25
dc.date.accessioned.fl_str_mv 2024-01-12T10:01:55Z
dc.date.available.fl_str_mv 2024-01-12T10:01:55Z
dc.date.issued.fl_str_mv 2024-01-12
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.citation.fl_str_mv ALMEIDA, Pedro Aurélio Coelho de. Modelo de aprendizagem não supervisionado baseado em saliência visual para segmentação automática da região pulmonar em imagens de raio-X. 2023. 66 f., il. Dissertação (Mestrado em Ciências Mecânicas) — Universidade de Brasília, Brasília, 2023.
dc.identifier.uri.fl_str_mv http://repositorio2.unb.br/jspui/handle/10482/47225
identifier_str_mv ALMEIDA, Pedro Aurélio Coelho de. Modelo de aprendizagem não supervisionado baseado em saliência visual para segmentação automática da região pulmonar em imagens de raio-X. 2023. 66 f., il. Dissertação (Mestrado em Ciências Mecânicas) — Universidade de Brasília, Brasília, 2023.
url http://repositorio2.unb.br/jspui/handle/10482/47225
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.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
bitstream.url.fl_str_mv http://repositorio2.unb.br/jspui/bitstream/10482/47225/1/2023_PedroAurelioCoelhodeAlmeida.pdf
http://repositorio2.unb.br/jspui/bitstream/10482/47225/2/license.txt
bitstream.checksum.fl_str_mv 855c5aa0ebcb6ad4046761357265ca6b
aed4704d04bb260d4decd80db311aaa5
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv
_version_ 1801864527995731968

Registros relacionados