A+A-ContrastAcessibilidade
EnglishPortuguese
Buscar
29 Out
10:30 Defesa de Mestrado Integralmente a distância
Tema
Automatic Liver Tumor Segmentation from Computed Tomography Images Based on 2D and 3D Deep Neural Networks
Aluno
William Hideki Azana Tustumi
Orientador / Docente
Hélio Pedrini
Breve resumo
A segmentação de tumores do fígado é o processo de classificação de voxels entre tumor e tecido saudável realizada a partir de um volume de tomografia computadorizada. A crescente qualidade dos métodos de aquisição de imagens médicas tem permitido a identificação, a localização e o diagnóstico de doenças, evitando-se cirurgias muito intrusivas. Essa análise é vital para decidir sobre o tratamento mais adequado para o paciente. Em especial, a segmentação dos tumores é usada na decisão da viabilidade da extração do tumor e auxilia a especificação do plano operatório. O processo de segmentação das regiões atingidas pelos tumores, quando realizado manualmente, requer tempo e experiência dos especialistas médicos, pois envolve criar uma máscara do tumor para cada uma das fatias da tomografia. Esta tarefa é particularmente desafiadora quando os pacientes estão localizados em regiões carentes e distantes de serviços médicos especializados. Dois tipos de abordagens têm sido tradicionalmente propostas para agilizar e facilitar a segmentação de tomografias, uma completamente automática e outra que se baseia na intervenção humana. Neste trabalho, focamos em técnicas completamente automáticas para a segmentação de tumores do fígado. Apesar das redes neurais convolucionais alcançarem resultados significativos nas áreas de segmentação e classificação de imagens, a segmentação de volumes tomográficos apresenta novos desafios, como introdução de uma dimensão de relações espaciais, artefatos oriundos da extração das imagens e número limitado de exemplos para treinamento. Em nossa pesquisa, investigamos o balanceamento entre os recursos computacionais e a qualidade da segmentação. Inicialmente, analisamos o desempenho de várias redes convolucionais e testamos camadas de diferentes redes seguindo o modelo de balanceamento da EfficientNet. A seguir, expandimos as camadas para convoluções 3D e testamos camadas que tratavam as dimensões do volume separadamente. Finalmente, avaliamos o tempo de execução dos nossos modelos em equipamentos com processamento e memória limitados. Embora nossos modelos tenham obtido resultados inferiores em termos de eficácia com relação a outros métodos da literatura, sua execução se mostrou viável em um ambiente computacional restritivo. Experimentos foram realizados na base de dados Liver Tumor Segmentation Challenge (LiTS).
Banca examinadora
Titulares:
Hélio Pedrini IC/UNICAMP
Ronaldo Cristiano Prati CMCC/UFABC
Levy Boccato FEEC/UNICAMP
Suplentes:
Gerberth Adín Ramírez Rivera IC/UNICAMP
Fabricio Aparecido Breve DEMAC/UNESP