Segmentação da região pulmonar em imagens de radiografia torácica utilizando redes neurais convolutivas

• Ano de defesa: 2020
• Autor(a) principal: Portela, Ronaldo de Sá
• Outros Autores: http://lattes.cnpq.br/3550218083163609
• 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: Convolutive neural network; Chest radiography; Japanese Society of Radiological Technology; Exame de imagem; Neoplasia pulmonar; ENGENHARIAS; Segmentação Pulmonar; Radiografia Torácica; Redes Neurais Convolutivas; Aprendizado Profundo
• Link de acesso: https://tede.ufam.edu.br/handle/tede/8210

Segundo dados do Instituto Nacional de Câncer, o câncer de pulmão é um dos tumores mais frequentes na população brasileira. O processo para seu diagnóstico por vezes passa pela necessidade de segmentar a região pulmonar em um exame de imagem, fase essa que demanda horas de um profissional da área médica. Sendo assim, a utilização de ferramentas que aplicam técnicas automatizadas para realizar essa tarefa pode auxiliá-los. Esta dissertação desenvolve uma metodologia automática, baseada em redes neurais convolutivas, para segmentar a região pulmonar em imagens de radiografia torácica. São desenvolvidas três arquiteturas (CNN1, CNN2 e CNN3), onde as arquiteturas CNN1 e CNN2 são de rede direta, enquanto a arquitetura CNN3 é uma topologia de grafos acíclicos direcionados (DAG). Em conjunto com as arquiteturas são investigados três diferentes métodos de regularização (Dropout, L2 e Dropout+L2) e três diferentes métodos de otimização (SGDM, RMSPROP e ADAM). A base de dados utilizada para esse estudo é a JSRT - Japanese Society of Radiological Technology, que contém 247 imagens de radiografia torácica. Como forma de mensurar a performance das redes estudadas foram utilizados seis métricas de desempenho, são elas: Acurácia Global, Acurácia, Coeficiente de Jaccard, Coeficiente de Jaccard Ponderado, Score F1 e Índice Dice. Ao término de todas as simulações, os melhores resultados foram alcançados utilizando a rede CNN3, que faz uso da topologia DAG, conjuntamente com o método de regularização Dropout+L2 e método de otimização ADAM. As métricas obtidas foram: Acurácia Global igual a 0.99139 ± 0.00098; Acurácia igual a 0.98927 ± 0.00161; Coeficiente de Jaccard de 0.97967 ± 0.00232; Coeficiente de Jaccard Ponderado igual a 0.98294 ± 0.00191; Score F1 de 0.97475 ± 0.00357 e, por fim, um Índice Dice de 0.98921 ± 0.00163.