Segmentação Interativa de Imagens de tomografia computadorizada pulmonar com COVID-19 via aprendizado profundo

• Ano de defesa: 2021
• Autor(a) principal: Bruzadin, Aldimir José
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Segmentação de imagens; Inteligência computacional; Aprendizado profundo; Covid-19; Imagens médicas; Image segmentation; Computational intelligence; Deep learning; Medical images
• Link de acesso: http://hdl.handle.net/11449/211039

Neste trabalho, apresentamos um novo método de segmentação interativa de imagens baseado em aprendizado profundo, com foco em imagens médicas do pulmão de pacientes acometidos pela Covid-19. Inicialmente, aplicamos uma pré-segmentação nas imagens, utilizando-se para tal o modelo de Mistura Gaussiana visando predizer os pesos das bordas de cada imagem para posterior uso no algoritmo denominado Random Walker, que foi integrado como parte de uma arquitetura inteligente de Redes Neurais Convolucionais. Além disso, no processo de aprendizado, empregamos o método do Gradiente Descendente em conjunto com duas técnicas de simplificação, a saber: Gradiente Esparso e Poda do Gradiente, reduzindo assim a quantidade de cálculos a serem realizados durante a etapa de backpropagation no pipeline de aprendizado proposto. Já para a obtenção das segmentações após o aprendizado dos pesos das bordas, e tendo em mente que representações 3D, de Tomografia Computadorizada, podem chegar a reunir centenas de imagens 2D (slices), o método emprega apenas um mapa de pixels rotulados pelo usuário como entrada a fim de criar automaticamente novos mapas de rotulação para os demais slices 2D do órgão do paciente. Resultados experimentais e comparações com outras técnicas da literatura atestam a alta performance e acurácia da metodologia de segmentação de imagens proposta.