Filtragem de ruído em projeções de Tomossíntese Mamária utilizando aprendizado profundo

Detalhes bibliográficos
Ano de defesa: 2021
Autor(a) principal: Araújo, Darlan Murilo Nakamura de
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 Estadual Paulista (Unesp)
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: http://hdl.handle.net/11449/216278
Resumo: Redes Neurais com Aprendizado Profundo têm se destacado por se tornar a abordagem em estado da arte para diversos problemas, especialmente em análise de imagens. Uma das características essenciais para um treinamento adequado destas redes é a necessidade de uma grande base de dados. Porém, em algumas aplicações, pode ser difícil obter um número de amostras suficiente, ou ainda, pode ser inviável a aquisição de dados de referência (ground truth) para o treinamento de forma supervisionada. Uma destas aplicações é a filtragem de ruído em Tomossíntese Mamária (DBT). Os exames de Tomossíntese Mamária utilizam radiação ionizante e, como expor o paciente a diversas aquisições com diferentes doses de radiação é inadequado, torna-se inviável obter os dados de referência. Além disso, o princípio ALARA da área de proteção radiológica propõe uma busca constante pela menor dose adequada para um exame. Porém, reduzir a dose de radiação implica em elevar o nível de ruído nas imagens adquiridas de DBT, de tal modo que os métodos de filtragem de ruído são fundamentais para permitir a redução de dose de radiação em DBT. Por sua vez, alguns trabalhos da literatura podem contribuir para a criação de uma base de dados de DBT, especialmente dados de referência, tal como métodos que simulam redução de dose e softwares que geram ensaios clínicos virtuais de DBT. Diversos métodos de filtragem de ruído têm sido aplicados em DBT, porém, existem poucos trabalhos que buscam aplicar redes neurais profundas para filtragem de ruído em DBT. Deste modo, este trabalho investigou extensivamente a filtragem de ruído em projeções de DBT com métodos de aprendizado profundo, comparando com métodos tradicionais. Os resultados dos métodos baseados em redes neurais foram superiores quantitativamente, atingindo um PSNR médio acima de 1,7 dB em comparação com os métodos tradicionais. Qualitativamente, os resultados dos métodos profundos também foram superiores, sendo melhores em preservar as estruturas mamárias e o contraste nas regiões com microcalcificações.