Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/45401
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2022_AlineAlvesSoaresThomaz.pdf20,03 MBAdobe PDFVisualizar/Abrir
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorFarias, Mylène Christine Queiroz de-
dc.contributor.authorThomaz, Aline Alves Soares-
dc.date.accessioned2022-12-29T22:41:13Z-
dc.date.available2022-12-29T22:41:13Z-
dc.date.issued2022-12-29-
dc.date.submitted2022-09-23-
dc.identifier.citationTHOMAZ, Aline Alves Soares. Reconstrução de imagens utilizando aprendizado profundo e técnicas de compressive sensing. 2022. ix, 73 f., il. Dissertação (Mestrado em Engenharia Elétrica) — Universidade de Brasília, Brasília, 2022.pt_BR
dc.identifier.urihttps://repositorio.unb.br/handle/10482/45401-
dc.descriptionDissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2022.pt_BR
dc.description.abstractO uso de imagens de ressonância magnética é amplamente difundido no diagnóstico de tumores e auxilia no tratamento de câncer, uma doença que causa a produção de células anormais que agrupam-se formando tumores e gerando metástases. Um exame de prevenção ou diagnóstico precoce de uma doença como o câncer aumentam consideravelmente suas chances de cura. É sempre importante considerar que a qualidade das imagens obtidas em exames médicos como a ressonância magnética (RMN) é de suma importância para o diagnóstico de doenças. A Engenharia, através de linhas de pesquisa como o processamento de sinais, fornece meios de aumentar a robustez frente a interferências no processamento de imagens com ferramentas como aprendizado profundo. Dentro desta vertente, o uso de redes neurais convolucionais, como a U-Net e os autoencoders, alinhados ao Compressive Sensing, tem extrema valia no desenvolvimento de sistemas de diagnósticos mais acurados a doenças tão oprobriosas. Através de testes realizados com códigos baseados em linguagem Python e utilizando imagens de exames médicos provou-se por inspeção visual e por métricas de qualidade como a razão sinal-ruído de pico e o índice de semelhança de estrutura que o uso destas técnicas é capaz de produzir resultados satisfatórios frente a tentativa de eliminar artefatos de imagem e possibilitar um diagnóstico mais contundente, incrementando o potencial de recuperação de um paciente. Para tanto, o modelo proposto conta ainda com técnicas de regularização baseadas nas normas de Compressive Sensing e em padrões de subamostragem.pt_BR
dc.language.isoPortuguêspt_BR
dc.rightsAcesso Abertopt_BR
dc.titleReconstrução de imagens utilizando aprendizado profundo e técnicas de compressive sensingpt_BR
dc.typeDissertaçãopt_BR
dc.subject.keywordTelecomunicaçõespt_BR
dc.subject.keywordRessonância magnéticapt_BR
dc.subject.keywordAprendizado profundopt_BR
dc.subject.keywordCompressive sensingpt_BR
dc.subject.keywordEsparsidadept_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.pt_BR
dc.contributor.advisorcoLima, Jonathan Alis Salgado-
dc.description.abstract1The use of magnetic resonance imaging is widespread in the diagnosis of tumors and aids in the treatment of cancer, a disease that causes the production of abnormal cells that group together to form tumors and generate metastases. An examination for prevention or early diagnosis of a disease such as cancer considerably increases your chances of cure. It is always important to consider that the quality of the images obtained in medical examinations such as magnetic resonance imaging (MRI) is of paramount importance for the diagnosis of diseases. Engineering, through research lines such as signal processing, provides ways to increase robustness against interferences in image processing with tools such as deep learning. Within this strand, the use of convolutional neural networks, such as U-Net and autoencoders, aligned to the Compressive Sensing, has extreme value in the development of more accurate diagnosis systems to such opprobrious diseases. Through tests performed with codes based on Python language and using medical exam images, it was proven by visual inspection and quality metrics such as peak signal-to-noise ratio and structure similarity index that the use of these techniques is capable of producing satisfactory results when trying to eliminate image artifacts and enable a more accurate diagnosis, increasing the recovery potential of a patient. To this end, the proposed model also relies on regularization techniques based on the norms of Compressive Sensing and on subsampling patterns.pt_BR
dc.description.abstract2El uso de la resonancia magnética está muy extendido en el diagnóstico de tumores y ayuda en el tratamiento del cáncer, una enfermedad que provoca la producción de células anormales que se agrupan para formar tumores y generar metástasis. Un examen para la prevención o el diagnóstico precoz de una enfermedad como el cáncer aumenta considerablemente sus posibilidades de curación. Siempre es importante tener en cuenta que la calidad de las imágenes obtenidas en exámenes médicos como la resonancia magnética (RMN) es de suma importancia para el diagnóstico de enfermedades. La ingeniería, a través de líneas de investigación como el procesamiento de señales, proporciona medios para aumentar la robustez frente a las interferencias en el procesamiento de imágenes con herramientas como el aprendizaje profundo. En este contexto, el uso de redes neuronales convolucionales, como la U-Net y los autocodificadores, alineados con Compressive Sensing, tiene un valor extremo en el desarrollo de sistemas de diagnóstico más precisos para tales enfermedades oprobiosas. A través de pruebas realizadas con códigos basados en el lenguaje Python y utilizando imágenes de exámenes médicos se demostró mediante inspección visual y mediante métricas de calidad como la relación señal/ruido de pico y el índice de similitud de estructura que el uso de estas técnicas es capaz de producir resultados satisfactorios en un intento de eliminar los artefactos de imagen y permitir un diagnóstico más preciso, aumentando el potencial de recuperación de un paciente. Por lo tanto, el modelo propuesto cuenta aún con técnicas de regularización basadas en las normas de Compressive Sensing y en los padrones de subamostragem.pt_BR
dc.contributor.emailalinethomaz204@gmail.compt_BR
dc.description.unidadeFaculdade de Tecnologia (FT)pt_BR
dc.description.unidadeDepartamento de Engenharia Elétrica (FT ENE)pt_BR
dc.description.ppgPrograma de Pós-Graduação em Engenharia Elétricapt_BR
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro simples do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.