Avaliando o desempenho de redes neurais convolucionais com arquiteturas de grafos acíclicos diretos e sequenciais na segmentação automática de lesões mamárias
Ano de defesa: | 2020 |
---|---|
Autor(a) principal: | |
Outros Autores: | , |
Orientador(a): | |
Banca de defesa: | |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Federal do Amazonas
Faculdade de Tecnologia Brasil UFAM Programa de Pós-graduação em Engenharia Elétrica |
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: | |
Link de acesso: | https://tede.ufam.edu.br/handle/tede/8772 |
Resumo: | O câncer de mama pode ser visto como um problema mundial, que é responsável por um número substancial de mortes. O diagnóstico pela análise de imagem da lesão tem se mostrado eficiente, notadamente através de uso de técnicas de aprendizado de máquinas. O sucesso alcançado em anos recentes cresceu devido ao uso das redes convolucionais. Esse método se mostra capaz de fazer tarefas de visão computacional com sucesso, como a segmentação automática de lesões nas mais variadas modalidades de imagens biomédicas. Essa etapa, a segmentação, suporta etapas posteriores de um sistema computadorizado de auxílio a diagnóstico por imagem. Nessa dissertação avalia-se o desempenho de redes neurais convolucionais com arquiteturas de grafos acíclicos diretos na segmentação automática de lesões mamárias em imagens de ultrassonografia. Foram implementadas e testadas quatro arquiteturas de redes convolucionais, três delas com grafos acíclicos diretos (DAG) e uma sequencial. Para o desenvolvimento e avaliação das propostas, dois bancos de imagens de ultrassom de mama (banco A e banco B) foram utilizados. Algumas diferenças marcantes entre esses referidos bancos são a dimensão, resolução e qualidade das imagens. Assim as imagens foram previamente processadas e adaptadas (cropping e resize). Os treinamentos dessas redes com parada pelo número de épocas se mostraram instáveis. Problema este que foi contornado com a proposição de uma função de auxílio ao treinamento, que permitiu obter o ponto de melhor desempenho do modelo. A melhor arquitetura foi escolhida com base em métricas já consagradas na literatura, como Acurácia global e coeficiente Dice. As quatro arquiteturas testadas alcançaram resultados similares, com acurácias globais de mais de 94% cada. O teste de significância estatística t-student apontou que para ambos os bancos de dados a melhor arquitetura de rede na validação foi a U-net, alcançando mais de 99% de acurácia global para o banco de dados B e mais de 96% para o banco de dados A. A rede apontada com melhor desempenho pôde ser testada, com outros dados de entrada, e seu desempenho se manteve o mesmo. Foi possível concluir que o procedimento de cropping não se mostrou crucial para uma boa precisão na segmentação. Além disso, a análise estatística das métricas de desempenho mostrou que o uso de imagens de melhor resolução (banco B) não acarretou diferenças de desempenho estatisticamente significantes (p<0.05). |
id |
UFAM_93ce6ad02368adad82335a9a742ef658 |
---|---|
oai_identifier_str |
oai:https://tede.ufam.edu.br/handle/:tede/8772 |
network_acronym_str |
UFAM |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFAM |
repository_id_str |
|
spelling |
Avaliando o desempenho de redes neurais convolucionais com arquiteturas de grafos acíclicos diretos e sequenciais na segmentação automática de lesões mamáriasEvaluating the performance of convolutional neural networks with direct acyclic graph and sequential architectures in automatic segmentation of breast lesion in US imagesInteligência artificial - Aplicações médicasCâncer - DiagnósticoMamas - UltrassonografiaENGENHARIAS: ENGENHARIA ELETRICA: ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS: AUTOMACAO ELETRONICA DE PROCESSOS ELETRICOS E INDUSTRIAISENGENHARIAS: ENGENHARIA ELETRICA: ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS: AUTOMACAO ELETRONICA DE PROCESSOS ELETRICOS E INDUSTRIAISRedes Neurais ConvolucionaisSegmentação Automática de LesõesCâncer de MamaRedes DAGConvolutional Neural NetworksAutomatic Lesions SegmentationBreast CancerDAG NetworksO câncer de mama pode ser visto como um problema mundial, que é responsável por um número substancial de mortes. O diagnóstico pela análise de imagem da lesão tem se mostrado eficiente, notadamente através de uso de técnicas de aprendizado de máquinas. O sucesso alcançado em anos recentes cresceu devido ao uso das redes convolucionais. Esse método se mostra capaz de fazer tarefas de visão computacional com sucesso, como a segmentação automática de lesões nas mais variadas modalidades de imagens biomédicas. Essa etapa, a segmentação, suporta etapas posteriores de um sistema computadorizado de auxílio a diagnóstico por imagem. Nessa dissertação avalia-se o desempenho de redes neurais convolucionais com arquiteturas de grafos acíclicos diretos na segmentação automática de lesões mamárias em imagens de ultrassonografia. Foram implementadas e testadas quatro arquiteturas de redes convolucionais, três delas com grafos acíclicos diretos (DAG) e uma sequencial. Para o desenvolvimento e avaliação das propostas, dois bancos de imagens de ultrassom de mama (banco A e banco B) foram utilizados. Algumas diferenças marcantes entre esses referidos bancos são a dimensão, resolução e qualidade das imagens. Assim as imagens foram previamente processadas e adaptadas (cropping e resize). Os treinamentos dessas redes com parada pelo número de épocas se mostraram instáveis. Problema este que foi contornado com a proposição de uma função de auxílio ao treinamento, que permitiu obter o ponto de melhor desempenho do modelo. A melhor arquitetura foi escolhida com base em métricas já consagradas na literatura, como Acurácia global e coeficiente Dice. As quatro arquiteturas testadas alcançaram resultados similares, com acurácias globais de mais de 94% cada. O teste de significância estatística t-student apontou que para ambos os bancos de dados a melhor arquitetura de rede na validação foi a U-net, alcançando mais de 99% de acurácia global para o banco de dados B e mais de 96% para o banco de dados A. A rede apontada com melhor desempenho pôde ser testada, com outros dados de entrada, e seu desempenho se manteve o mesmo. Foi possível concluir que o procedimento de cropping não se mostrou crucial para uma boa precisão na segmentação. Além disso, a análise estatística das métricas de desempenho mostrou que o uso de imagens de melhor resolução (banco B) não acarretou diferenças de desempenho estatisticamente significantes (p<0.05).Breast cancer can be seen as a worldwide problem, which is responsible for a substantial number of deaths. Diagnosis through image analysis of the lesion is efficient, notably through the use of machine learning techniques. The success achieved in recent years has grown due to the use of convolutional networks. This method is capable of successfully performing computer vision tasks, such as the automatic segmentation of lesions in the most varied modalities of biomedical images. This stage, segmentation, supports later stages of a computer-aided diagnostic imaging system. In this dissertation, the performance of convolutional neural networks with direct acyclic graph architectures in the automatic segmentation of breast lesions in ultrasound images is evaluated. Four convolutional network architectures were implemented and tested, three of them with direct acyclic graphs (DAG) and one sequential. For the development and evaluation of the proposals, two banks of breast ultrasound images (bank A and bank B) were used. Some striking differences between these banks are the size, resolution, and quality of the images. Thus, the images were previously processed and adapted (cropping and resize). The training of these networks with a stop for the number of seasons proved to be unstable. This problem was overcome with the proposal of a training aid function, which allowed us to obtain the best performance point of the model. The best architecture was chosen based on metrics already established in the literature, such as global accuracy and the Dice coefficient. The four architectures tested achieved similar results, with a global accuracy of more than 94% each. The t-student statistical significance test showed that for both databases the best network architecture in the validation was U-net, reaching over 99% of global accuracy for database B and over 96% for the database A. The network with the best performance could be tested, with other input data, and its performance remained the same. It was possible to conclude that the cropping procedure was not crucial for good segmentation accuracy. Besides, the statistical analysis of the performance metrics showed that the use of better resolution images (bank B) did not cause statistically significant performance differences (p <0.05).FAPEAM - Fundação de Amparo à Pesquisa do Estado do AmazonasUniversidade Federal do AmazonasFaculdade de TecnologiaBrasilUFAMPrograma de Pós-graduação em Engenharia ElétricaCosta, Marly Guimarães Fernandeshttp://lattes.cnpq.br/7169358412541736Pereira, José Raimundo GomesOliveira, Jozias Parente deAquino, Gustavo de Aquino ehttps://wwws.cnpq.br/cvlattesweb/PKG_MENU.menu?f_cod=66034B87B3C0A868D363AE3409872AD3#https://orcid.org/ 0000-0003-3299-33372022-03-28T18:02:40Z2020-03-03info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfAQUINO, Gustavo de Aquino e. Avaliando o desempenho de redes neurais convolucionais com arquiteturas de grafos acíclicos diretos e sequenciais na segmentação automática de lesões mamárias. 2022. 88 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus (AM), 2020.https://tede.ufam.edu.br/handle/tede/8772porinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFAMinstname:Universidade Federal do Amazonas (UFAM)instacron:UFAM2022-08-19T18:41:00Zoai:https://tede.ufam.edu.br/handle/:tede/8772Biblioteca Digital de Teses e Dissertaçõeshttp://200.129.163.131:8080/PUBhttp://200.129.163.131:8080/oai/requestddbc@ufam.edu.br||ddbc@ufam.edu.bropendoar:65922022-08-19T18:41Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM)false |
dc.title.none.fl_str_mv |
Avaliando o desempenho de redes neurais convolucionais com arquiteturas de grafos acíclicos diretos e sequenciais na segmentação automática de lesões mamárias Evaluating the performance of convolutional neural networks with direct acyclic graph and sequential architectures in automatic segmentation of breast lesion in US images |
title |
Avaliando o desempenho de redes neurais convolucionais com arquiteturas de grafos acíclicos diretos e sequenciais na segmentação automática de lesões mamárias |
spellingShingle |
Avaliando o desempenho de redes neurais convolucionais com arquiteturas de grafos acíclicos diretos e sequenciais na segmentação automática de lesões mamárias Aquino, Gustavo de Aquino e Inteligência artificial - Aplicações médicas Câncer - Diagnóstico Mamas - Ultrassonografia ENGENHARIAS: ENGENHARIA ELETRICA: ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS: AUTOMACAO ELETRONICA DE PROCESSOS ELETRICOS E INDUSTRIAIS ENGENHARIAS: ENGENHARIA ELETRICA: ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS: AUTOMACAO ELETRONICA DE PROCESSOS ELETRICOS E INDUSTRIAIS Redes Neurais Convolucionais Segmentação Automática de Lesões Câncer de Mama Redes DAG Convolutional Neural Networks Automatic Lesions Segmentation Breast Cancer DAG Networks |
title_short |
Avaliando o desempenho de redes neurais convolucionais com arquiteturas de grafos acíclicos diretos e sequenciais na segmentação automática de lesões mamárias |
title_full |
Avaliando o desempenho de redes neurais convolucionais com arquiteturas de grafos acíclicos diretos e sequenciais na segmentação automática de lesões mamárias |
title_fullStr |
Avaliando o desempenho de redes neurais convolucionais com arquiteturas de grafos acíclicos diretos e sequenciais na segmentação automática de lesões mamárias |
title_full_unstemmed |
Avaliando o desempenho de redes neurais convolucionais com arquiteturas de grafos acíclicos diretos e sequenciais na segmentação automática de lesões mamárias |
title_sort |
Avaliando o desempenho de redes neurais convolucionais com arquiteturas de grafos acíclicos diretos e sequenciais na segmentação automática de lesões mamárias |
author |
Aquino, Gustavo de Aquino e |
author_facet |
Aquino, Gustavo de Aquino e https://wwws.cnpq.br/cvlattesweb/PKG_MENU.menu?f_cod=66034B87B3C0A868D363AE3409872AD3# https://orcid.org/ 0000-0003-3299-3337 |
author_role |
author |
author2 |
https://wwws.cnpq.br/cvlattesweb/PKG_MENU.menu?f_cod=66034B87B3C0A868D363AE3409872AD3# https://orcid.org/ 0000-0003-3299-3337 |
author2_role |
author author |
dc.contributor.none.fl_str_mv |
Costa, Marly Guimarães Fernandes http://lattes.cnpq.br/7169358412541736 Pereira, José Raimundo Gomes Oliveira, Jozias Parente de |
dc.contributor.author.fl_str_mv |
Aquino, Gustavo de Aquino e https://wwws.cnpq.br/cvlattesweb/PKG_MENU.menu?f_cod=66034B87B3C0A868D363AE3409872AD3# https://orcid.org/ 0000-0003-3299-3337 |
dc.subject.por.fl_str_mv |
Inteligência artificial - Aplicações médicas Câncer - Diagnóstico Mamas - Ultrassonografia ENGENHARIAS: ENGENHARIA ELETRICA: ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS: AUTOMACAO ELETRONICA DE PROCESSOS ELETRICOS E INDUSTRIAIS ENGENHARIAS: ENGENHARIA ELETRICA: ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS: AUTOMACAO ELETRONICA DE PROCESSOS ELETRICOS E INDUSTRIAIS Redes Neurais Convolucionais Segmentação Automática de Lesões Câncer de Mama Redes DAG Convolutional Neural Networks Automatic Lesions Segmentation Breast Cancer DAG Networks |
topic |
Inteligência artificial - Aplicações médicas Câncer - Diagnóstico Mamas - Ultrassonografia ENGENHARIAS: ENGENHARIA ELETRICA: ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS: AUTOMACAO ELETRONICA DE PROCESSOS ELETRICOS E INDUSTRIAIS ENGENHARIAS: ENGENHARIA ELETRICA: ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS: AUTOMACAO ELETRONICA DE PROCESSOS ELETRICOS E INDUSTRIAIS Redes Neurais Convolucionais Segmentação Automática de Lesões Câncer de Mama Redes DAG Convolutional Neural Networks Automatic Lesions Segmentation Breast Cancer DAG Networks |
description |
O câncer de mama pode ser visto como um problema mundial, que é responsável por um número substancial de mortes. O diagnóstico pela análise de imagem da lesão tem se mostrado eficiente, notadamente através de uso de técnicas de aprendizado de máquinas. O sucesso alcançado em anos recentes cresceu devido ao uso das redes convolucionais. Esse método se mostra capaz de fazer tarefas de visão computacional com sucesso, como a segmentação automática de lesões nas mais variadas modalidades de imagens biomédicas. Essa etapa, a segmentação, suporta etapas posteriores de um sistema computadorizado de auxílio a diagnóstico por imagem. Nessa dissertação avalia-se o desempenho de redes neurais convolucionais com arquiteturas de grafos acíclicos diretos na segmentação automática de lesões mamárias em imagens de ultrassonografia. Foram implementadas e testadas quatro arquiteturas de redes convolucionais, três delas com grafos acíclicos diretos (DAG) e uma sequencial. Para o desenvolvimento e avaliação das propostas, dois bancos de imagens de ultrassom de mama (banco A e banco B) foram utilizados. Algumas diferenças marcantes entre esses referidos bancos são a dimensão, resolução e qualidade das imagens. Assim as imagens foram previamente processadas e adaptadas (cropping e resize). Os treinamentos dessas redes com parada pelo número de épocas se mostraram instáveis. Problema este que foi contornado com a proposição de uma função de auxílio ao treinamento, que permitiu obter o ponto de melhor desempenho do modelo. A melhor arquitetura foi escolhida com base em métricas já consagradas na literatura, como Acurácia global e coeficiente Dice. As quatro arquiteturas testadas alcançaram resultados similares, com acurácias globais de mais de 94% cada. O teste de significância estatística t-student apontou que para ambos os bancos de dados a melhor arquitetura de rede na validação foi a U-net, alcançando mais de 99% de acurácia global para o banco de dados B e mais de 96% para o banco de dados A. A rede apontada com melhor desempenho pôde ser testada, com outros dados de entrada, e seu desempenho se manteve o mesmo. Foi possível concluir que o procedimento de cropping não se mostrou crucial para uma boa precisão na segmentação. Além disso, a análise estatística das métricas de desempenho mostrou que o uso de imagens de melhor resolução (banco B) não acarretou diferenças de desempenho estatisticamente significantes (p<0.05). |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020-03-03 2022-03-28T18:02:40Z |
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 |
AQUINO, Gustavo de Aquino e. Avaliando o desempenho de redes neurais convolucionais com arquiteturas de grafos acíclicos diretos e sequenciais na segmentação automática de lesões mamárias. 2022. 88 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus (AM), 2020. https://tede.ufam.edu.br/handle/tede/8772 |
identifier_str_mv |
AQUINO, Gustavo de Aquino e. Avaliando o desempenho de redes neurais convolucionais com arquiteturas de grafos acíclicos diretos e sequenciais na segmentação automática de lesões mamárias. 2022. 88 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus (AM), 2020. |
url |
https://tede.ufam.edu.br/handle/tede/8772 |
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 Federal do Amazonas Faculdade de Tecnologia Brasil UFAM Programa de Pós-graduação em Engenharia Elétrica |
publisher.none.fl_str_mv |
Universidade Federal do Amazonas Faculdade de Tecnologia Brasil UFAM Programa de Pós-graduação em Engenharia Elétrica |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFAM instname:Universidade Federal do Amazonas (UFAM) instacron:UFAM |
instname_str |
Universidade Federal do Amazonas (UFAM) |
instacron_str |
UFAM |
institution |
UFAM |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFAM |
collection |
Biblioteca Digital de Teses e Dissertações da UFAM |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM) |
repository.mail.fl_str_mv |
ddbc@ufam.edu.br||ddbc@ufam.edu.br |
_version_ |
1800234221858455552 |