Reconhecimento automático de padrões radiológicos utilizando aprendizado profundo

Detalhes bibliográficos
Ano de defesa: 2018
Autor(a) principal: Dartora, Aline
Orientador(a): Oliveira, Lucas Ferrari de, 1976-
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
Palavras-chave em Português:
Tomografia computadorizada
Ciência da Computação
Redes neurais (Computação)
Tecidos (Anatomia e fisiologia)
Link de acesso: https://hdl.handle.net/1884/57977
Resumo: Orientador: Prof. Dr. Lucas Ferrari de Oliveira
id UFPR_385a96e600d45f6abeb4661c9cc7acf1
oai_identifier_str oai:acervodigital.ufpr.br:1884/57977
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str
spelling Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em InformáticaOliveira, Lucas Ferrari de, 1976-Dartora, Aline2024-11-11T21:34:38Z2024-11-11T21:34:38Z2018https://hdl.handle.net/1884/57977Orientador: Prof. Dr. Lucas Ferrari de OliveiraDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa : Curitiba, 05/09/2018Inclui referências: p.70-72Resumo: Doenças Pulmonares Intersticiais (DPIs) envolvem vários padrões anormais observados em exames de Tomografia Computadorizada de Alta Resolução (TCAR). A caracterização automatizada desses padrões é um componente essencial de um sistema de auxílio ao diagnóstico por computador (CAD) no estudo de DPIs. A escolha e otimização de descritores de características influencia notavelmente na construção e representação de conhecimento pelo computador, a qual, se não for eficiente, compromete a precisão de um sistema CAD. Nesse contexto, técnicas de aprendizagem profunda contornam a necessidade da escolha manual de descritores de características, uma vez que aprendem características diretamente dos dados de treinamento. Neste trabalho, é investigada a eficiência de métodos baseados em aprendizagem profunda para localizar vários padrões de DPIs. A primeira etapa explora e avalia a eficiência da classificação de Regiões de Interesse (ROIs) manualmente delimitadas com Redes Neurais Convolucionais (CNNs) e o uso das técnicas de transferência de aprendizagem e produção de dados sintéticos. A segunda fase propõe a utilização do algoritmo de detecção e classificação de objetos, Faster R-CNN, em conjunto com as técnicas anteriormente citadas, e aplicadas a imagens de inteiras de TCAR, sem a necessidade de segmentação prévia de ROIs. Os resultados obtidos na classificação de blocos de imagens de TCAR atingiram uma precisão de 90,95% com o uso da rede GoogleNet. Na detecção de imagens inteiras de TCAR com a Faster R-CNN o melhor resultado apresentou uma precisão média de detecção (mAP) de 53.9%, também utilizando a arquitetura da rede GoogleNet, a qual, detectou a classe enfisema com um AP de 72.3% e a classe fibrose com AP de 74.5%. Em diferentes configurações, a Faster R-CNN apresentou os melhores valores de AP por classe de 78.4%, 72.3%, 37.6%, 95.4% e 57.4% para os padrões normal, enfisema, vidro-fosco, fibrose e micronódulos, respectivamente. Em um comparativo com a literatura existente, os resultados são próximos aos melhores resultados observados no estado da arte que utilizam a mesma base de dados.Abstract: Interstitial Lung Diseases (ILD) present a variety of abnormal imaging patterns that can be observed in High Resolution Computed Tomography (HRCT). The automated recognition of such imaging patterns is an essential component of Computer Aided Diagnosis (CAD) systems in ILD studies. The selection and optimization of features extractors noticeably influences the construction and representation of knowledge by the computer, which if not done adequately may compromise the CAD systems accuracy. In such a context, deep learning techniques outline the need of a manual selection of features extractors, since they allow the system to recognize and learn features directly from training sample data. This paper researches the effectiveness of methods based on deep learning for identifying several ILD patterns. The effectiveness of identification of Regions of Interest (ROIs) manually delimited with Convolutional Neural Networks (CNNs) and the use of transfer learning and data augmentation techniques are explored and evaluated in the first part. Following, the use of previously mentioned techniques within Faster R-CNN framework to detect and classify ILDs in full HRCT images without performing previous ROI field segmentation is proposed. In this framework the classification results for the HRCT patch-based image representation obtained a recognition rate of 90.95% with the GoogleNet network. When using Faster R-CNN to detect full HRCT images the best result achieved a mean average precision (mAP) of 53.9% on GoogleNet network. The model achieved mAP values of 72.3% and 74.5% on the classes emphysema and fibrosis, respectively. In different scenarios the proposed algorithm performed highest AP values per class of 78.4%, 72.3%, 37.6%, 95.4% and 57.4% for normal, emphysema, ground-glass, fibrosis and micronodules, respectively. When compared with existing researches using the same database, the obtained results are similar to the most effective techniques that can be observed in the state-of-the-art systems.1 recurso online : PDF.application/pdfTomografia computadorizadaCiência da ComputaçãoRedes neurais (Computação)Tecidos (Anatomia e fisiologia)Reconhecimento automático de padrões radiológicos utilizando aprendizado profundoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - ALINE DARTORA.pdfapplication/pdf81902917https://acervodigital.ufpr.br/bitstream/1884/57977/1/R%20-%20D%20-%20ALINE%20DARTORA.pdfad1ea4ea2b11cf55758b154f7f4e5e76MD51open access1884/579772024-11-11 18:34:38.22open accessoai:acervodigital.ufpr.br:1884/57977Repositório InstitucionalPUBhttp://acervodigital.ufpr.br/oai/requestinformacaodigital@ufpr.bropendoar:3082024-11-11T21:34:38Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Reconhecimento automático de padrões radiológicos utilizando aprendizado profundo
title Reconhecimento automático de padrões radiológicos utilizando aprendizado profundo
spellingShingle Reconhecimento automático de padrões radiológicos utilizando aprendizado profundo
Dartora, Aline
Tomografia computadorizada
Ciência da Computação
Redes neurais (Computação)
Tecidos (Anatomia e fisiologia)
title_short Reconhecimento automático de padrões radiológicos utilizando aprendizado profundo
title_full Reconhecimento automático de padrões radiológicos utilizando aprendizado profundo
title_fullStr Reconhecimento automático de padrões radiológicos utilizando aprendizado profundo
title_full_unstemmed Reconhecimento automático de padrões radiológicos utilizando aprendizado profundo
title_sort Reconhecimento automático de padrões radiológicos utilizando aprendizado profundo
author Dartora, Aline
author_facet Dartora, Aline
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informática
dc.contributor.advisor1.fl_str_mv Oliveira, Lucas Ferrari de, 1976-
dc.contributor.author.fl_str_mv Dartora, Aline
contributor_str_mv Oliveira, Lucas Ferrari de, 1976-
dc.subject.por.fl_str_mv Tomografia computadorizada
Ciência da Computação
Redes neurais (Computação)
Tecidos (Anatomia e fisiologia)
topic Tomografia computadorizada
Ciência da Computação
Redes neurais (Computação)
Tecidos (Anatomia e fisiologia)
description Orientador: Prof. Dr. Lucas Ferrari de Oliveira
publishDate 2018
dc.date.issued.fl_str_mv 2018
dc.date.accessioned.fl_str_mv 2024-11-11T21:34:38Z
dc.date.available.fl_str_mv 2024-11-11T21:34:38Z
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 https://hdl.handle.net/1884/57977
url https://hdl.handle.net/1884/57977
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 1 recurso online : PDF.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/57977/1/R%20-%20D%20-%20ALINE%20DARTORA.pdf
bitstream.checksum.fl_str_mv ad1ea4ea2b11cf55758b154f7f4e5e76
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv informacaodigital@ufpr.br
_version_ 1847526236441542656

Registros relacionados