Compartilhamento |
|
Use este identificador para citar ou linkar para este item:
https://tedebc.ufma.br/jspui/handle/tede/tede/5052
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.creator | LIMA , Alan Carlos de Moura | - |
dc.creator.Lattes | http://lattes.cnpq.br/6446831084215512 | por |
dc.contributor.advisor1 | PAIVA, Anselmo Cardoso de | - |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/6446831084215512 | por |
dc.contributor.advisor-co1 | COIMBRA, Miguel Tavares | - |
dc.contributor.referee1 | BRAZ JÚNIOR, Geraldo | - |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/8287861610873629 | por |
dc.contributor.referee2 | SILVA, Aristófanes Corrêa | - |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/2446301582459104 | por |
dc.contributor.referee3 | CUNHA, António Manuel Trigueiros da Silva | - |
dc.contributor.referee3Lattes | http://lattes.cnpq.br/5627403952778618 | por |
dc.contributor.referee4 | RAPOSO, Alberto Barbosa | - |
dc.contributor.referee4Lattes | http://lattes.cnpq.br/4394162331037750 | por |
dc.date.accessioned | 2023-11-21T02:33:46Z | - |
dc.date.issued | 2023-10-06 | - |
dc.identifier.citation | LIMA , Alan Carlos de Moura. Um método de dois estágios para detecção de pólipos em imagens de colonoscopia usando aprendizado profundo. 2023.156 f. Tese (Programa de Pós-Graduação em Engenharia de Eletricidade/CCET) - Universidade Federal do Maranhão, São Luís, 2023. | por |
dc.identifier.uri | https://tedebc.ufma.br/jspui/handle/tede/tede/5052 | - |
dc.description.resumo | O trato gastrointestinal, via responsável por todo o processo digestivo, pode ser afetado por diversos tipos de doenças, incluindo o câncer colorretal, que é a terceira principal causa de morte por câncer. Os pólipos colorretais, tumores benignos detectáveis por meio de imagens capturadas por colonoscópios no cólon do intestino grosso, são seus principais precursores. No entanto, muitos pólipos são negligenciados durante o exame de colonoscopia devido a desafios técnicos e cognitivos. Estudos indicam que a melhoria na taxa de detecção dessas lesões pode reduzir significativamente o risco de câncer colorretal. Assim, técnicas de detecção assistida por computador estão sendo desenvolvidas com o intuito de aprimorar a qualidade da detecção durante exames regulares. Essa tese apresenta um método de detecção de pólipos em dois estágios para imagens de colonoscopia. O primeiro estágio consiste em identificar possíveis áreas de pólipos usando um modelo de extração de mapa de saliência apoiado pelos mapas de profundidade extraídos. Os mapas de profundidade são imagens que representam a distância entre os objetos e a câmera, e os mapas de saliência são imagens que destacam as regiões mais relevantes para a percepção visual humana. Inicialmente, é realizada a redução da área de escopo através da extração dos objetos salientes (S) presentes na imagem, para que em seguida seja realizada a união dessa área segmentada com os canais verde (G) e azul (B) de uma imagem no padrão RGB, formando assim uma nova imagem de 3 canais, conhecida como SGB. O segundo estágio do método consiste em detectar pólipos nas imagens extraídas resultantes do primeiro estágio, combinadas com os canais verde e azul. Para isso, foram aplicados modelos baseados em redes neurais convolucionais e Transformers, que são técnicas de aprendizado profundo capazes de extrair características visuais complexas e realizar classificações precisas. Vários experimentos foram realizados utilizando quatro conjuntos de dados públicos de colonoscopia. Os melhores resultados obtidos para a tarefa de detecção de pólipos foram satisfatórios, alcançando 91% de Average Precision na base CVC-ClinicDB e 92% de Average Precision na base Kvasir-SEG, ambos com as imagens em SGB, usando a arquitetura Transformers. Além disso, o método proposto superou outros métodos da literatura em algumas bases. Palavras-chave: | por |
dc.description.abstract | The gastrointestinal tract, the pathway responsible for the entire digestive process, can be affected by various types of diseases, including colorectal cancer, which is the third leading cause of cancer death. Colorectal polyps, benign tumors detectable through images captured by colonoscopes in the colon of the large intestine, are its main precursors. However, many polyps are overlooked during colonoscopy due to technical and cognitive challenges. Studies indicate that improving the detection rate of these lesions can significantly reduce the risk of colorectal cancer. Therefore, computer-assisted detection techniques are being developed to enhance detection quality during regular exams. This thesis presents a two-stage polyp detection method for colonoscopy images. The first stage involves identifying possible polyp areas using a saliency map extraction model supported by the extracted depth maps. Depth maps are images that represent the distance between objects and the camera, and saliency maps are images that highlight the most relevant regions for human visual perception. Initially, the scope area is reduced by extracting the salient objects (S) present in the image so that this segmented area is combined with the green (G) and blue (B) channels of an image in RGB standard, thus forming a new 3-channel image, known as SGB. The second stage of the method consists of detecting polyps in the extracted images resulting from the first stage, combined with the green and blue channels. For this, models based on convolutional neural networks and Transformers were applied, which are deep learning techniques capable of extracting complex visual features and making accurate classifications. Several experiments were carried out using four public colonoscopy datasets. The best results obtained for the task of polyp detection were satisfactory, achieving 91% Average Precision on the CVC-ClinicDB base and 92% Average Precision on the Kvasir-SEG base, both with SGB images, using the Transformers architecture. In addition, the proposed method outperformed others in the literature on some bases. | eng |
dc.description.provenance | Submitted by Daniella Santos (daniella.santos@ufma.br) on 2023-11-21T02:33:44Z No. of bitstreams: 1 ALANLIMA.pdf: 21586811 bytes, checksum: bea37c3b6575944ae1f6905105b7a21e (MD5) | eng |
dc.description.provenance | Made available in DSpace on 2023-11-21T02:33:46Z (GMT). No. of bitstreams: 1 ALANLIMA.pdf: 21586811 bytes, checksum: bea37c3b6575944ae1f6905105b7a21e (MD5) Previous issue date: 2023-10-06 | eng |
dc.format | application/pdf | * |
dc.language | por | por |
dc.publisher | Universidade Federal do Maranhão | por |
dc.publisher.department | DEPARTAMENTO DE ENGENHARIA DA ELETRICIDADE/CCET | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFMA | por |
dc.publisher.program | PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE/CCET | por |
dc.rights | Acesso Aberto | por |
dc.subject | aprendizagem profunda; | por |
dc.subject | detecção de pólipos; | por |
dc.subject | imagens de colonoscopia; | por |
dc.subject | mapas de profundidade; | por |
dc.subject | objetos salientes; | por |
dc.subject | redes neurais convolucionais; | por |
dc.subject | transformers; | eng |
dc.subject | colonoscopy images; | eng |
dc.subject | convolutional neural networks; | eng |
dc.subject | deep learning; | eng |
dc.subject | depth maps; | eng |
dc.subject | polyp detection; | eng |
dc.subject | saliency objects; | eng |
dc.subject | transformers. | eng |
dc.subject.cnpq | Engenharia Elétrica | por |
dc.title | Um método de dois estágios para detecção de pólipos em imagens de colonoscopia usando aprendizado profundo | por |
dc.title.alternative | A Two-Stage Method for Polyp Detection in Colonoscopy Images Using Deep Learning | eng |
dc.type | Tese | por |
Aparece nas coleções: | TESE DE DOUTORADO - PROGRAMA DE PÓS GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE TESE DE DOUTORADO - PROGRAMA DE PÓS GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
ALANLIMA.pdf | Tese de doutorado | 21,08 MB | Adobe PDF | Baixar/Abrir Pré-Visualizar |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.