Segmentação do lúmen e identificação de região de bifurcações em imagens de tomografia por coerência óptica intravascular utilizando redes neurais convolutivas

• Ano de defesa: 2019
• Autor(a) principal: Miyagawa, Makoto
• Outros Autores: http://lattes.cnpq.br/7692742443591984
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Amazonas; Faculdade de Tecnologia; Brasil; UFAM; Programa de Pós-graduação em Engenharia Elétrica
• Palavras-chave em Português: Doenças cardiovasculares; Tomografia por coerência óptica intravascular; Redes neurais convolutivas; Transferência de aprendizado; Segmentação do lúmen; Detecção de bifurcação; ENGENHARIAS: ENGENHARIA ELÉTRICA
• Link de acesso: https://tede.ufam.edu.br/handle/tede/6967

A utilização da tomografia por coerência óptica intravascular (IVOCT) permite que especialistas possam avaliar lesões coronarianas em alta resolução. A automatização de algumas etapas da análise poderia beneficiá-los, uma vez que a análise visual dos frames em um pullback é trabalhosa e consome muito tempo. Mesmo com a crescente popularidade das redes neurais convolutivas (CNN) na área médica, ainda há poucos trabalhos aplicados a imagens IVOCT para segmentação do lúmen e classificação de região de bifurcação. Neste trabalho, avaliamos três arquiteturas de CNN para a tarefa de segmentação do lúmen e quatro arquiteturas para a tarefa de classificação de região de bifurcação, utilizando um conjunto de imagens IVOCT de nove pullbacks de nove diferentes pacientes. Em relação à segmentação do lúmen, foram avaliadas redes diretas e de grafos acíclicos direcionados (DAG) em diferentes bases de dados, variando a resolução espacial, sistema de coordenadas e espaço de cores. Em relação à classificação de região de bifurcação, além das variações em sistema de coordenadas e espaço de cores nas bases de dados, foram utilizadas técnicas de data augmentation para balanceá-las, de forma a compensar a menor quantidade de imagens de bifurcação, além de utilizar transferência de conhecimento em algumas das redes avaliadas, aplicando a aprendizagem originada de uma das redes de segmentação. Nossos resultados são comparáveis aos outros trabalhos encontrados na literatura, apresentando, para a segmentação, melhores resultados em acurácia, coeficiente Dice e Jaccard acima de 99%, 98% e 97%, respectivamente. Na classificação, apresentou melhores resultados em score F1 (99,68%) e AUC (99,72%) obtidos por uma rede CNN com conhecimento transferido.