Ultrasound versus elastography in the study of hepatic steatosis

Bibliographic Details
Main Author: Marques, Rodrigo Ramos
Publication Date: 2024
Format: Master thesis
Language: eng
Source: Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
Download full: https://hdl.handle.net/10316/117852
Summary: Dissertação de Mestrado em Engenharia Biomédica apresentada à Faculdade de Ciências e Tecnologia
id RCAP_e4fc1442407a8dcdaee70f9efcae64da
oai_identifier_str oai:estudogeral.uc.pt:10316/117852
network_acronym_str RCAP
network_name_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository_id_str https://opendoar.ac.uk/repository/7160
spelling Ultrasound versus elastography in the study of hepatic steatosisEcografia versus elastografia no diagnóstico da fibrose hepáticaUltrasoundElastographySteatosisMachine LearningDeep LearningEcografiaElastografiaEsteatoseMachine LearningDeep LearningDissertação de Mestrado em Engenharia Biomédica apresentada à Faculdade de Ciências e TecnologiaFatty Liver Disease, or steatosis, is a condition where excess fat builds up in the liver cells. Its prevalence is on the rise, posing a significant global health concern. If left untreated, it can progress into more serious liver diseases, such as steatohepatitis, fibrosis, liver cancer or even chirrosis. Therefore, it is essential to accurately diagnose the condition at an early stage in orderto facilitate more effective intervention and management.The aim of this study is to compare the performance of ultrasound and elastography imaging techniques for steatosis diagnosis with artificial intelligence methods, understanding if elastography could be of similar relevance as ultrasound, and also to evaluate the performance of all trained models. To this end, this study uses ultrasound and elastography images to classify liver steatosis using different classical machine learning classifiers and deep learning architectures, respectively: AdaBoost, Decision Tree, K-Nearest Neighbours, Logistic Regression, Neural Network, Random Forest, Support Vector Machine with Linear and RBF kernels, DenseNet201,InceptionResNetV2, ResNet101, ResNet50V2, VGG16 and VGG19. After careful tuning and optimisation of various parameters, the trained models were compared based on their performance. The shallow neural network showed the best performance, achieving an F1 score of 99.5% on the ultrasound set, 99.2% on the elastography set and 98.9% on the mixed set. On the other hand, despite the lower overall performance of deep learning, the results of this approach are comparable to those of machine learning, where DenseNet201 achieved an F1 score of 98.80% on the ultrasound set and ResNet50V2 achieved 98.23% and 97.58% on the elastography andmixed sets, respectively.In terms of imaging, the results obtained with the set of ultrasound images confirm its superiority as an imaging method for diagnosing steatosis, in comparison to elastography, although not by a significantly different margin.This research offers valuable insights into the domain of medical image classification and advocates the integration of advanced machine learning and deep learning technologies in diagnosing steatosis.A doença do fígado gordo, ou esteatose, é uma doença em que o excesso de gordura seacumula nas células do fígado. A sua prevalência está a aumentar, constituindo um problema de saúde global significativo. Se não for tratada, pode evoluir para doenças hepáticas mais graves, como a esteato-hepatite, a fibrose, o cancro do fígado ou mesmo a cirrose. Por esse motivo, é essencial diagnosticar de forma eficiente a doença numa fase precoce, a fim de facilitar uma intervenção e uma gestão mais eficazes.Este estudo tem como objetivo comparar o desempenho de técnicas de imagem de ecografiae elastografia para o diagnóstico de esteatose com métodos de inteligência artificial, compreendendo se a elastografia pode ter uma relevância semelhante à da ecografia, avaliando também o desempenho de todos os modelos treinados. Para isso, este estudo utiliza imagens de ultrassom e elastografia para classificar a esteatose hepática usando classificadores de Machine Learning clássico diferentes e arquiteturas de Deep Learning, respetivamente: AdaBoost, Decision Tree, K-Nearest Neighbours, Logistic Regression, Neural Network, Random Forest, Support Vector Machine com kernel Linear e RBF, DenseNet201, InceptionResNetV2, ResNet101, ResNet50V2, VGG16 e VGG19. Após uma afinação e otimização cuidadosa de vários parâmetros, os modelos treinados foram comparados com base no seu desempenho. A rede neuronal apresentou o melhor desempenho, alcançando um F1-Score de 99,5% no conjunto de ecografia, 99,2% no conjunto de elastografia e 98,9% no conjunto misto. Por outro lado, apesar do desempenho geral inferior do Deep Learning, os resultados desta abordagem são comparáveis aos de Machine Learning, emque a DenseNet201 obteve um F1-Score de 98,80% no conjunto de ecografia e a ResNet50V2obteve 98,23% e 97,58% nos conjuntos de elastografia e misto, respetivamente.Em termos de imagem, os resultados obtidos com o conjunto de imagens de ultrassom, emcomparação com a elastografia, confirmam a sua superioridade como método de imagem paradiagnosticar a esteatose, embora não por uma grande margem.Esta investigação oferece conhecimentos valiosos no domínio da classificação de imagensmédicas e defende a integração de tecnologias avançadas de Machine Learning e Deep Learningno diagnóstico da esteatose.2024-09-27info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttps://hdl.handle.net/10316/117852https://hdl.handle.net/10316/117852TID:203826922engMarques, Rodrigo Ramosinfo:eu-repo/semantics/openAccessreponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiainstacron:RCAAP2025-01-22T23:18:27Zoai:estudogeral.uc.pt:10316/117852Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireinfo@rcaap.ptopendoar:https://opendoar.ac.uk/repository/71602025-05-29T06:11:44.454371Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiafalse
dc.title.none.fl_str_mv Ultrasound versus elastography in the study of hepatic steatosis
Ecografia versus elastografia no diagnóstico da fibrose hepática
title Ultrasound versus elastography in the study of hepatic steatosis
spellingShingle Ultrasound versus elastography in the study of hepatic steatosis
Marques, Rodrigo Ramos
Ultrasound
Elastography
Steatosis
Machine Learning
Deep Learning
Ecografia
Elastografia
Esteatose
Machine Learning
Deep Learning
title_short Ultrasound versus elastography in the study of hepatic steatosis
title_full Ultrasound versus elastography in the study of hepatic steatosis
title_fullStr Ultrasound versus elastography in the study of hepatic steatosis
title_full_unstemmed Ultrasound versus elastography in the study of hepatic steatosis
title_sort Ultrasound versus elastography in the study of hepatic steatosis
author Marques, Rodrigo Ramos
author_facet Marques, Rodrigo Ramos
author_role author
dc.contributor.author.fl_str_mv Marques, Rodrigo Ramos
dc.subject.por.fl_str_mv Ultrasound
Elastography
Steatosis
Machine Learning
Deep Learning
Ecografia
Elastografia
Esteatose
Machine Learning
Deep Learning
topic Ultrasound
Elastography
Steatosis
Machine Learning
Deep Learning
Ecografia
Elastografia
Esteatose
Machine Learning
Deep Learning
description Dissertação de Mestrado em Engenharia Biomédica apresentada à Faculdade de Ciências e Tecnologia
publishDate 2024
dc.date.none.fl_str_mv 2024-09-27
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/10316/117852
https://hdl.handle.net/10316/117852
TID:203826922
url https://hdl.handle.net/10316/117852
identifier_str_mv TID:203826922
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron:RCAAP
instname_str FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron_str RCAAP
institution RCAAP
reponame_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
collection Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository.name.fl_str_mv Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
repository.mail.fl_str_mv info@rcaap.pt
_version_ 1833602610180915200

Similar Items