A two step deep learning workflow for pumonary embolism segmentation and classification

Detalhes bibliográficos
Ano de defesa: 2021
Autor(a) principal: Olescki, Gabriel
Orientador(a): Oliveira, Lucas Ferrari de, 1976-
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
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:
Processamento de imagens
Aprendizado do computador
Inteligência artificial
Embolia pulmonar
Ciência da Computação
Link de acesso: https://hdl.handle.net/1884/76175
Resumo: Orientador: Lucas Ferrari de Oliveira
id UFPR_ede9a1bc514dceac4a256f7601fa4642
oai_identifier_str oai:acervodigital.ufpr.br:1884/76175
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-Olescki, Gabriel2022-11-03T17:21:24Z2022-11-03T17:21:24Z2021https://hdl.handle.net/1884/76175Orientador: Lucas Ferrari de OliveiraDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa : Curitiba, 14/12/2021Inclui referências: p. 57-60Área de concentração: Ciência da ComputaçãoResumo: Embolia pulmonar está entre as principais causas de morte no mundo todo, de acordo com o Datasus 22% dos pacientes hospitalizados por embolia pulmonar acabam falecendo, trata-se de um trombo alojado em alguma região da vascularização arterial pulmonar. Para estabelecer o tratamento adequado e reduzir a mortalidade associada é necessário um diagnóstico rápido por parte da equipe médica, atualmente a forma de diagnóstico mais utilizado é a analise de imagens de tomografia computadorizada, devido a vários fatores como a sua velocidade de aquisição, alta disponibilidade dos equipamentos que fazem a sua captura e uma alta acurácia no diagnóstico. Um exame de tomografia computadorizada é composto de centenas de imagens que requerem a atenção do radiologista, pelo número alto de dados produzidos a análise de tais exames pode ser cansativa e levar a erros de diagnóstico devido a fadiga, ainda hoje a embolia pulmonar está entre as doenças onde se há mais erros diagnósticos. Nos últimos anos alguns sistemas computacionais de auxílio ao diagnóstico foram desenvolvidos para auxiliar radiologistas na detecção de trombos, tais sistemas têm se tornado de grande ajuda para um diagnóstico mais eficaz. Deep learning tem sido um dos tópicos mais comentados na área da visão computacional ultimamente, especialmente na área do processamento de imagens médicas, mais especificamente em aplicações de detecção e reconhecimento de imagens. Isso também se aplica no auxílio ao diagnóstico de embolia pulmonar, alguns trabalhos têm atingido resultados do estado da arte utilizando modelos complexos de redes neurais, que são capazes de identificar trombos dentro das imagens geradas pela tomografia, removendo outros ruídos que podem ser vistos como um falso positivo. O objetivo deste trabalho é desenvolver uma aplicação de deep learning capaz de encontrar tromboembolismos pulmonares em imagens de tomografias computadorizadas, a robustez do modelo permitirá que detecte trombos em exames de diferente origens. Se bem sucedido, o algoritmo produzido neste trabalho será capaz de auxiliar radiologistas em um diagnóstico rápido com uma alta probabilidade de acerto. Alguns testes preliminares já mostram que modelos de deep learning são capazes de discriminar embolias pulmonares, em uma base de dados pública contendo imagens de tomografia computadorizada de pulmão a rede foi capaz de encontrar vários trombos. Com um total de 35 exames, 28 foram usados para treinar o modelo e validar seus resultados, ajustando seus hiperparâmetros de acordo com os resultados, as outras 7 imagens foram utilizadas como teste, avaliado como o sistema se comporta quando recebe dados reais, atingindo um Dice score de 0.81 e uma acurácia de 84%, apesar de já apresentar bons resultados a modelo ainda possui espaço para melhores, pois ainda há diversos métodos de otimização que costumam melhorar os resultados das arquiteturas.Abstract: Pulmonary embolism is one of the leading causes of death all over the world, according to Datasus the mortality rate of patients hospitalized due to pulmonary embolism is 22%. To break the clot and save the patient a fast diagnosis is required, that is the reason why computer tomography is used as a means to detect embolisms. A computed tomography exam is composed of hundreds of images that require an analysis from a radiologist, due to the high number of images this process can be tiresome and can lead to errors due to fatigue, pulmonary embolism remains one of the frequent misdiagnosis due to this fact. Over the years some computed aided systems had been developed aiming to help radiologists to see some missed clot, those systems had proven to be of great aid to an even faster diagnosis. Deep learning models have been increased significantly in many computer vision problems, especially in medical imaging, in image detection and recognition. This is also true in the classification of pulmonary embolisms, some works achieve a state of the art results by applying complex neural network models that can identify a clot from a whole tomography exam and remove any potential false positive found. The purpose of this work is to develop a deep learning application that is capable of discriminate pulmonary embolisms from a whole computed tomography volume, due to the use of deep learning a robust model can be developed that can generalize the process of embolism detection in different sources of data. If successful, this work will be able to aid radiologists in a fast diagnosis of pulmonary embolisms with a high discrimination probability. Some preliminary tests show that a deep learning architecture can discriminate pulmonary embolisms, a public dataset was used for validation of this architecture and can find several clots. With a total of 35 exams, 28 were used for training the model and validating its results, tweaking the models' hyperparameters with the results, the last 7 exams were used for testing the model, simulating how it should behave in a receiving unknown data, it achieves a Dice score of 0.81 and an accuracy of 84%, even if it got a relatively good result, it got plenty of room for improvement still, since many known improvement methods can still be applied in the architecture.1 recurso online : PDF.application/pdfProcessamento de imagensAprendizado do computadorInteligência artificialEmbolia pulmonarCiência da ComputaçãoA two step deep learning workflow for pumonary embolism segmentation and classificationinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisengreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - GABRIEL OLESCKI.pdfapplication/pdf4156710https://acervodigital.ufpr.br/bitstream/1884/76175/1/R%20-%20D%20-%20GABRIEL%20OLESCKI.pdfcd6876d6e9bd71e5cea28c26811ed83dMD51open access1884/761752022-11-03 14:21:24.194open accessoai:acervodigital.ufpr.br:1884/76175Repositório InstitucionalPUBhttp://acervodigital.ufpr.br/oai/requestinformacaodigital@ufpr.bropendoar:3082022-11-03T17:21:24Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv A two step deep learning workflow for pumonary embolism segmentation and classification
title A two step deep learning workflow for pumonary embolism segmentation and classification
spellingShingle A two step deep learning workflow for pumonary embolism segmentation and classification
Olescki, Gabriel
Processamento de imagens
Aprendizado do computador
Inteligência artificial
Embolia pulmonar
Ciência da Computação
title_short A two step deep learning workflow for pumonary embolism segmentation and classification
title_full A two step deep learning workflow for pumonary embolism segmentation and classification
title_fullStr A two step deep learning workflow for pumonary embolism segmentation and classification
title_full_unstemmed A two step deep learning workflow for pumonary embolism segmentation and classification
title_sort A two step deep learning workflow for pumonary embolism segmentation and classification
author Olescki, Gabriel
author_facet Olescki, Gabriel
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 Olescki, Gabriel
contributor_str_mv Oliveira, Lucas Ferrari de, 1976-
dc.subject.por.fl_str_mv Processamento de imagens
Aprendizado do computador
Inteligência artificial
Embolia pulmonar
Ciência da Computação
topic Processamento de imagens
Aprendizado do computador
Inteligência artificial
Embolia pulmonar
Ciência da Computação
description Orientador: Lucas Ferrari de Oliveira
publishDate 2021
dc.date.issued.fl_str_mv 2021
dc.date.accessioned.fl_str_mv 2022-11-03T17:21:24Z
dc.date.available.fl_str_mv 2022-11-03T17:21:24Z
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/1884/76175
url https://hdl.handle.net/1884/76175
dc.language.iso.fl_str_mv eng
language eng
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/1884/76175/1/R%20-%20D%20-%20GABRIEL%20OLESCKI.pdf
bitstream.checksum.fl_str_mv cd6876d6e9bd71e5cea28c26811ed83d
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_ 1847526151999717376

Registros relacionados