Atenuação de artefato metálico em imagem de tomografia computadorizada com uso de Deep learning

• Ano de defesa: 2018
• Autor(a) principal: Ribeiro Júnior, Audemar Fernandes
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual da Paraíba; Pró-Reitoria de Pós-Graduação e Pesquisa - PRPGP; Brasil; UEPB; Programa de Pós-Graduação Profissional em Ciência e Tecnologia em Saúde - PPGCTS
• Palavras-chave em Português: Tomografias computadorizadas; Deep learning; Artefatos metálicos; Rede Neural Convolucional; Aprendizagem profunda; Metal artifact; Convolutional neural network; CIENCIAS DA SAUDE::MEDICINA
• Link de acesso: http://tede.bc.uepb.edu.br/jspui/handle/tede/3602

Artefatos metálicos são graves problemas de reconstrução de imagens médicas de tomografias computadorizadas, podendo causar significativas dificuldades de diagnóstico, ou até mesmo inviabilizá-lo. Esta pesquisa, desenvolvida no Núcleo de Tecnologias Estratégicas em Saúde - NUTES, em parceria com o Hospital Regional de Trauma Dom Luiz Gonzaga Fernandes, gerou uma arquitetura de rede neural convolucional que atenua os efeitos causados por artefatos metálicos em imagens produzidas por aparelhos de tomografia computadorizada. A arquitetura proposta, após o treinamento, foi capaz de reconstruir imagens de tomografia computadorizada com atenuação de artefato metálico, com resultado aferido por avaliação qualitativa através de formulários. Os resultados obtidos demonstraram que a técnica é promissora para a atenuação de artefatos metálicos.