Desenvolvimento de Métricas de Similaridade em Registro de Imagens Médicas Fundamentada em Redes Neurais Profundas

Detalhes bibliográficos
Ano de defesa: 2020
Autor(a) principal: Andrade, Natan [UNIFESP]
Orientador(a): Cappabianco, Fábio Augusto Menocci [UNIFESP]
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
dARK ID: ark:/48912/001300002kktq
Idioma: por
Instituição de defesa: Universidade Federal de São Paulo
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Registro de Imagens Médicas, Aprendizado Profundo, Métricas de Similaridade, Ensembles
Medical Image Registration, Deep Learning, Similarity Metrics, Ensembles
Link de acesso: https://repositorio.unifesp.br/handle/11600/60919
https://sucupira.capes.gov.br/sucupira/public/consultas/coleta/trabalhoConclusao/viewTrabalhoConclusao.jsf?popup=true&id_trabalho=10892109
Resumo: Recentemente, diversas técnicas de aprendizado de máquina e visão computacional baseadas em aprendizado profundo revolucionaram as mais diversas áreas da ciência, incluindo o registro de imagens médicas. Inúmeros tipos de modalidades de imagens médicas proporcionam diversos avanços para o diagnóstico antecipado e o tratamento de doenças. O registro é um processamento digital indispensável em imagens estruturais e funcionais empregadas em diversos estudos analíticos. Um dos componentes dos métodos de registro é a métrica de similaridade que serve para identificar as mesmas regiões em imagens de modalidades diferentes e/ou em diferentes perspectivas. O registro de imagens de multimodalidades constitui uma das maiores adversidades em imagens médicas devido à grande variabilidade de tecidos e às diferentes aparências, formas e posições. Visando contornar essa situação, neste projeto foi utilizada uma estratégia de modelagem de métricas de similaridade utilizando-se o aprendizado profundo objetivando obter, aplicar e validar novas métricas de similaridade que conseguem produzir registros de imagens médicas de multimodalidades com maior acurácia e qualidade. Além disso, desenvolvemos ensembles entre os mapas de similaridade que foram avaliados por duas novas métricas de avaliação, o que permitiu um resultado mais robusto em relação a acurácia da região de correspondência e das regiões de falsa correspondência.
id UFSP_5e0e406a92bd37b4e144e408751ea0de
oai_identifier_str oai:repositorio.unifesp.br:11600/60919
network_acronym_str UFSP
network_name_str Repositório Institucional da UNIFESP
repository_id_str
spelling http://lattes.cnpq.br/3828728429230356http://lattes.cnpq.br/7438076121387151Andrade, Natan [UNIFESP]http://lattes.cnpq.br/4517361913674430Cappabianco, Fábio Augusto Menocci [UNIFESP]Faria, Fabio Augusto [UNIFESP]São José dos Campos, SP2021-04-22T11:32:15Z2021-04-22T11:32:15Z2020-12-22Recentemente, diversas técnicas de aprendizado de máquina e visão computacional baseadas em aprendizado profundo revolucionaram as mais diversas áreas da ciência, incluindo o registro de imagens médicas. Inúmeros tipos de modalidades de imagens médicas proporcionam diversos avanços para o diagnóstico antecipado e o tratamento de doenças. O registro é um processamento digital indispensável em imagens estruturais e funcionais empregadas em diversos estudos analíticos. Um dos componentes dos métodos de registro é a métrica de similaridade que serve para identificar as mesmas regiões em imagens de modalidades diferentes e/ou em diferentes perspectivas. O registro de imagens de multimodalidades constitui uma das maiores adversidades em imagens médicas devido à grande variabilidade de tecidos e às diferentes aparências, formas e posições. Visando contornar essa situação, neste projeto foi utilizada uma estratégia de modelagem de métricas de similaridade utilizando-se o aprendizado profundo objetivando obter, aplicar e validar novas métricas de similaridade que conseguem produzir registros de imagens médicas de multimodalidades com maior acurácia e qualidade. Além disso, desenvolvemos ensembles entre os mapas de similaridade que foram avaliados por duas novas métricas de avaliação, o que permitiu um resultado mais robusto em relação a acurácia da região de correspondência e das regiões de falsa correspondência.Recently, several machine-learning and computer-vision techniques based on deep learning revolutionized a diversity of scientific areas, including medical imaging. Numerous types of medical imaging modalities provide considerable advances for early diagnosis and treatment of diseases. Medical image registration is an indispensable digital processing in structural and functional images used in several analytical studies. One of the components of the registration methods is the similarity metric that serves to identify the same regions in images of different modalities and / or in different perspectives. Multimodal image registration consitutes one of the greatest challenges in medical imaging due to the great variability of tissues and the different appearances, shapes, and positions. Aiming to overcome this situation, a similarity metrics modeling strategy will be used in this project, using deep learning to obtain, apply, and validate a new similarity metric that can produce multimodality medical image registration with greater accuracy and quality. In addition, we developed ensembles between the similarity maps that were evaluated by two new evaluation metrics, which allowed a more robust result in relation to the accuracy of the correspondence region and the regions of false correspondence.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)151 f.Andrade, Natan Desenvolvimento de Métricas de Similaridade em Registro Médicos Fundamentada em Redes Neurais Profundas / Natan Andrade Orientador(a) Fábio Augusto M. Cappabianco; Coorientador(a) Fabio Augusto Faria. - São José dos Campos, 2020. 151 phttps://repositorio.unifesp.br/handle/11600/60919https://sucupira.capes.gov.br/sucupira/public/consultas/coleta/trabalhoConclusao/viewTrabalhoConclusao.jsf?popup=true&id_trabalho=10892109ark:/48912/001300002kktqporUniversidade Federal de São Pauloinfo:eu-repo/semantics/openAccessRegistro de Imagens Médicas, Aprendizado Profundo, Métricas de Similaridade, EnsemblesMedical Image Registration, Deep Learning, Similarity Metrics, EnsemblesDesenvolvimento de Métricas de Similaridade em Registro de Imagens Médicas Fundamentada em Redes Neurais ProfundasDevelopment of Similarity Metrics in Medical Image Registration Based on Deep Neural Networksinfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/publishedVersionreponame:Repositório Institucional da UNIFESPinstname:Universidade Federal de São Paulo (UNIFESP)instacron:UNIFESPNão se aplicaInstituto de Ciência e Tecnologia (ICT)Não se aplicaNão se aplicaNão se aplicaCiência da ComputaçãoOutraSistemas ComputacionaisLICENSElicense.txtlicense.txttext/plain; charset=utf-85478https://repositorio.unifesp.br/bitstreams/66c75428-3c09-4c35-9a2d-772b0f869109/downloadfd532a7b06a1c4320ee53ae5e7780f9dMD52ORIGINALDisserta__o_Natan_Andrade_Final.pdfDisserta__o_Natan_Andrade_Final.pdfDissertaçãoapplication/pdf27170343https://repositorio.unifesp.br/bitstreams/44787696-d0b2-45e3-9a72-2c5953e1bf5f/download31860faeebaf56538cf7e6475c50e963MD51TEXTDisserta__o_Natan_Andrade_Final.pdf.txtDisserta__o_Natan_Andrade_Final.pdf.txtExtracted texttext/plain103309https://repositorio.unifesp.br/bitstreams/e5146933-64b9-40d8-9e90-133b47f71219/download17c51d69df00e4d192c14417eb72d5d2MD53THUMBNAILDisserta__o_Natan_Andrade_Final.pdf.jpgDisserta__o_Natan_Andrade_Final.pdf.jpgGenerated Thumbnailimage/jpeg3596https://repositorio.unifesp.br/bitstreams/82253408-cb3e-4ff6-a404-030e27973ad5/download8fd01e255f38f089c8b897996fe60f74MD5411600/609192024-08-03 11:00:22.604oai:repositorio.unifesp.br:11600/60919https://repositorio.unifesp.brRepositório InstitucionalPUBhttp://www.repositorio.unifesp.br/oai/requestbiblioteca.csp@unifesp.bropendoar:34652024-08-03T11:00:22Repositório Institucional da UNIFESP - Universidade Federal de São Paulo (UNIFESP)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
dc.title.pt_BR.fl_str_mv Desenvolvimento de Métricas de Similaridade em Registro de Imagens Médicas Fundamentada em Redes Neurais Profundas
dc.title.alternative.pt_BR.fl_str_mv Development of Similarity Metrics in Medical Image Registration Based on Deep Neural Networks
title Desenvolvimento de Métricas de Similaridade em Registro de Imagens Médicas Fundamentada em Redes Neurais Profundas
spellingShingle Desenvolvimento de Métricas de Similaridade em Registro de Imagens Médicas Fundamentada em Redes Neurais Profundas
Andrade, Natan [UNIFESP]
Registro de Imagens Médicas, Aprendizado Profundo, Métricas de Similaridade, Ensembles
Medical Image Registration, Deep Learning, Similarity Metrics, Ensembles
title_short Desenvolvimento de Métricas de Similaridade em Registro de Imagens Médicas Fundamentada em Redes Neurais Profundas
title_full Desenvolvimento de Métricas de Similaridade em Registro de Imagens Médicas Fundamentada em Redes Neurais Profundas
title_fullStr Desenvolvimento de Métricas de Similaridade em Registro de Imagens Médicas Fundamentada em Redes Neurais Profundas
title_full_unstemmed Desenvolvimento de Métricas de Similaridade em Registro de Imagens Médicas Fundamentada em Redes Neurais Profundas
title_sort Desenvolvimento de Métricas de Similaridade em Registro de Imagens Médicas Fundamentada em Redes Neurais Profundas
author Andrade, Natan [UNIFESP]
author_facet Andrade, Natan [UNIFESP]
author_role author
dc.contributor.advisor-coLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/3828728429230356
dc.contributor.advisorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/7438076121387151
dc.contributor.authorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/4517361913674430
dc.contributor.author.fl_str_mv Andrade, Natan [UNIFESP]
dc.contributor.advisor1.fl_str_mv Cappabianco, Fábio Augusto Menocci [UNIFESP]
dc.contributor.advisor-co1.fl_str_mv Faria, Fabio Augusto [UNIFESP]
contributor_str_mv Cappabianco, Fábio Augusto Menocci [UNIFESP]
Faria, Fabio Augusto [UNIFESP]
dc.subject.por.fl_str_mv Registro de Imagens Médicas, Aprendizado Profundo, Métricas de Similaridade, Ensembles
Medical Image Registration, Deep Learning, Similarity Metrics, Ensembles
topic Registro de Imagens Médicas, Aprendizado Profundo, Métricas de Similaridade, Ensembles
Medical Image Registration, Deep Learning, Similarity Metrics, Ensembles
description Recentemente, diversas técnicas de aprendizado de máquina e visão computacional baseadas em aprendizado profundo revolucionaram as mais diversas áreas da ciência, incluindo o registro de imagens médicas. Inúmeros tipos de modalidades de imagens médicas proporcionam diversos avanços para o diagnóstico antecipado e o tratamento de doenças. O registro é um processamento digital indispensável em imagens estruturais e funcionais empregadas em diversos estudos analíticos. Um dos componentes dos métodos de registro é a métrica de similaridade que serve para identificar as mesmas regiões em imagens de modalidades diferentes e/ou em diferentes perspectivas. O registro de imagens de multimodalidades constitui uma das maiores adversidades em imagens médicas devido à grande variabilidade de tecidos e às diferentes aparências, formas e posições. Visando contornar essa situação, neste projeto foi utilizada uma estratégia de modelagem de métricas de similaridade utilizando-se o aprendizado profundo objetivando obter, aplicar e validar novas métricas de similaridade que conseguem produzir registros de imagens médicas de multimodalidades com maior acurácia e qualidade. Além disso, desenvolvemos ensembles entre os mapas de similaridade que foram avaliados por duas novas métricas de avaliação, o que permitiu um resultado mais robusto em relação a acurácia da região de correspondência e das regiões de falsa correspondência.
publishDate 2020
dc.date.issued.fl_str_mv 2020-12-22
dc.date.accessioned.fl_str_mv 2021-04-22T11:32:15Z
dc.date.available.fl_str_mv 2021-04-22T11:32:15Z
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv Andrade, Natan Desenvolvimento de Métricas de Similaridade em Registro Médicos Fundamentada em Redes Neurais Profundas / Natan Andrade Orientador(a) Fábio Augusto M. Cappabianco; Coorientador(a) Fabio Augusto Faria. - São José dos Campos, 2020. 151 p
dc.identifier.uri.fl_str_mv https://repositorio.unifesp.br/handle/11600/60919
https://sucupira.capes.gov.br/sucupira/public/consultas/coleta/trabalhoConclusao/viewTrabalhoConclusao.jsf?popup=true&id_trabalho=10892109
dc.identifier.dark.fl_str_mv ark:/48912/001300002kktq
identifier_str_mv Andrade, Natan Desenvolvimento de Métricas de Similaridade em Registro Médicos Fundamentada em Redes Neurais Profundas / Natan Andrade Orientador(a) Fábio Augusto M. Cappabianco; Coorientador(a) Fabio Augusto Faria. - São José dos Campos, 2020. 151 p
ark:/48912/001300002kktq
url https://repositorio.unifesp.br/handle/11600/60919
https://sucupira.capes.gov.br/sucupira/public/consultas/coleta/trabalhoConclusao/viewTrabalhoConclusao.jsf?popup=true&id_trabalho=10892109
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 151 f.
dc.coverage.spatial.pt_BR.fl_str_mv São José dos Campos, SP
dc.publisher.none.fl_str_mv Universidade Federal de São Paulo
publisher.none.fl_str_mv Universidade Federal de São Paulo
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNIFESP
instname:Universidade Federal de São Paulo (UNIFESP)
instacron:UNIFESP
instname_str Universidade Federal de São Paulo (UNIFESP)
instacron_str UNIFESP
institution UNIFESP
reponame_str Repositório Institucional da UNIFESP
collection Repositório Institucional da UNIFESP
bitstream.url.fl_str_mv https://repositorio.unifesp.br/bitstreams/66c75428-3c09-4c35-9a2d-772b0f869109/download
https://repositorio.unifesp.br/bitstreams/44787696-d0b2-45e3-9a72-2c5953e1bf5f/download
https://repositorio.unifesp.br/bitstreams/e5146933-64b9-40d8-9e90-133b47f71219/download
https://repositorio.unifesp.br/bitstreams/82253408-cb3e-4ff6-a404-030e27973ad5/download
bitstream.checksum.fl_str_mv fd532a7b06a1c4320ee53ae5e7780f9d
31860faeebaf56538cf7e6475c50e963
17c51d69df00e4d192c14417eb72d5d2
8fd01e255f38f089c8b897996fe60f74
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UNIFESP - Universidade Federal de São Paulo (UNIFESP)
repository.mail.fl_str_mv biblioteca.csp@unifesp.br
_version_ 1863846392597839872

Registros relacionados