Compartilhamento |
|
Use este identificador para citar ou linkar para este item:
https://tedebc.ufma.br/jspui/handle/tede/tede/5485
Tipo do documento: | Dissertação |
Título: | Segmentação de traqueia em tomografia computadorizada utilizando efficient-deeplab Autor: |
Título(s) alternativo(s): | Trachea segmentation in computed tomography using efficient-deeplab Author: |
Autor: | FERNANDES, Arthur Guilherme Santos |
Primeiro orientador: | BRAZ JUNIOR, Geraldo |
Primeiro coorientador: | DINIZ, João Otávio Bandeira |
Primeiro membro da banca: | BRAZ JUNIOR, Geraldo |
Segundo membro da banca: | DINIZ, João Otávio Bandeira |
Terceiro membro da banca: | ALMEIDA, João Dallyson Sousa de |
Quarto membro da banca: | CUNHA, António Manuel Trigueiros da Silva |
Resumo: | A segmentação de Órgãos em Risco (OAR) é crucial no planejamento da radioterapia. Seu objetivo é demarcar os tecidos saudáveis para que a radiação ionizante seja direcionada apenas às células cancerosas. Para isso, médicos realizam a demarcação dos órgãos manualmente, o que torna o processo demorado e propenso a erros. Portanto, metodologias de segmentação automática que utilizam aprendizado profundo podem acelerar a delimitação dos órgãos durante o planejamento da radioterapia. As metodologias existentes possuem muitos parâmetros, o que deixa o modelo pesado e caro de ser disponibilizado como um serviço. Este trabalho propõe o uso de uma arquitetura de rede neural convolucional denominada EfficientDeeplab, treinada em exames de tomografia computadorizada para realizar a segmentação de traqueia. O modelo diferencia-se de outras arquiteturas por possuir menor quantidade de parâmetros, o que a torna ideal para aplicações em serviços de saúde em larga escala. Para obter baixa quantidade de parâmetros e uma segmentação de qualidade foram aplicadas as convoluções atrous e a arquitetura EfficientNet. Foram realizados testes no conjunto de dados SEGTHOR, que obtiveram um dice score de 82,21%. |
Abstract: | Organs at Risk (OAR) segmentation is crucial in radiotherapy planning. Its objective is to demarcate healthy tissues so that ionizing radiation is directed only to cancer cells. To do this, doctors demarcate the organs manually, which makes the process very time consuming and prone to errors. Therefore, automatic segmentation methodologies using deep learning can accelerate organ delineation during radiotherapy planning. Existing methodologies have many parameters, which makes the model cumbersome and expensive to make available as a service. This work proposes the use of a convolutional neural network architecture called EfficientDeeplab, trained on computed tomography scans to perform trachea segmentation. The model differs from other architectures by having fewer parameters, which makes it ideal for applications in large-scale healthcare services. To obtain a low number of parameters and quality segmentation, atrous convolutions and the EfficientNet architecture were applied. Tests were carried out on the SEGTHOR dataset, which obtained a dice score of 82.21%. |
Palavras-chave: | aprendizado profundo; segmentação de imagens; redes neurais; tomografia computadorizada; radioterapia; deeplearning; image segmentation; neural networks; computerized; tomography; radiotherapy |
Área(s) do CNPq: | Ciência da Computação |
Idioma: | por |
País: | Brasil |
Instituição: | Universidade Federal do Maranhão |
Sigla da instituição: | UFMA |
Departamento: | DEPARTAMENTO DE INFORMÁTICA/CCET |
Programa: | PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET |
Citação: | FERNANDES, Arthur Guilherme Santos. Segmentação de traqueia em tomografia computadorizada utilizando efficient-deeplab. 2024. 120 f. Dissertação (Programa de Pós-Graduação em Ciência da Computação/CCET) - Universidade Federal do Maranhão, São Luís, 2024. |
Tipo de acesso: | Acesso Aberto |
URI: | https://tedebc.ufma.br/jspui/handle/tede/tede/5485 |
Data de defesa: | 28-Jun-2024 |
Aparece nas coleções: | DISSERTAÇÃO DE MESTRADO - PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
ArthurGuilhermeSantosFernandes.pdf | Dissertação de Metrado | 6,93 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.