Desenvolvimento de Métricas de Similaridade em Registro de Imagens Médicas Fundamentada em Redes Neurais Profundas

Detalhes bibliográficos
Ano de defesa: 2020
Autor(a) principal: Andrade, Natan [UNIFESP]
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de São Paulo
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Link de acesso: https://sucupira.capes.gov.br/sucupira/public/consultas/coleta/trabalhoConclusao/viewTrabalhoConclusao.jsf?popup=true&id_trabalho=10892109
https://repositorio.unifesp.br/handle/11600/60919
Resumo: Recentemente, diversas técnicas de aprendizado de máquina e visão computacional baseadas em aprendizado profundo revolucionaram as mais diversas áreas da ciência, incluindo o registro de imagens médicas. Inúmeros tipos de modalidades de imagens médicas proporcionam diversos avanços para o diagnóstico antecipado e o tratamento de doenças. O registro é um processamento digital indispensável em imagens estruturais e funcionais empregadas em diversos estudos analíticos. Um dos componentes dos métodos de registro é a métrica de similaridade que serve para identificar as mesmas regiões em imagens de modalidades diferentes e/ou em diferentes perspectivas. O registro de imagens de multimodalidades constitui uma das maiores adversidades em imagens médicas devido à grande variabilidade de tecidos e às diferentes aparências, formas e posições. Visando contornar essa situação, neste projeto foi utilizada uma estratégia de modelagem de métricas de similaridade utilizando-se o aprendizado profundo objetivando obter, aplicar e validar novas métricas de similaridade que conseguem produzir registros de imagens médicas de multimodalidades com maior acurácia e qualidade. Além disso, desenvolvemos ensembles entre os mapas de similaridade que foram avaliados por duas novas métricas de avaliação, o que permitiu um resultado mais robusto em relação a acurácia da região de correspondência e das regiões de falsa correspondência.