Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/47225
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2023_PedroAurelioCoelhodeAlmeida.pdf58,06 MBAdobe PDFVisualizar/Abrir
Título: Modelo de aprendizagem não supervisionado baseado em saliência visual para segmentação automática da região pulmonar em imagens de raio-X
Autor(es): Almeida, Pedro Aurélio Coelho de
E-mail do autor: pedro.almeiabsb@gmail.com
Orientador(es): Borges, Díbio Leandro
Assunto: Segmentação semântica
Segmentação automática
Processamento de imagens médicas
Inteligência artificial
Imagens de raio-X
Aprendizagem de máquina
Data de publicação: 12-Jan-2024
Referência: ALMEIDA, Pedro Aurélio Coelho de. Modelo de aprendizagem não supervisionado baseado em saliência visual para segmentação automática da região pulmonar em imagens de raio-X. 2023. 66 f., il. Dissertação (Mestrado em Ciências Mecânicas) — Universidade de Brasília, Brasília, 2023.
Resumo: Separar automaticamente regiões com propriedades semelhantes em uma imagem, também chamada de segmentação, é uma tarefa desafiadora para sistemas computacionais, mas também capaz de economizar esforço e evitar erros por fadiga de seres humanos. Uma das áreas do conhecimento que pode se beneficiar de métodos de segmentação automática é a de imagens médicas. Nesse aspecto, raios-X torácicos compõem uma aplicação extremamente valiosa de segmentação automática de imagens, devido ao seu baixo custo de implementação e captura de informações ligadas a doenças pulmonares. Métodos computacionais automáticos atuais com grande aplicação na segmentação pulmonar de raios-X necessitam de dados previamente rotulados para ’aprender’ a realizar essa tarefa. Uma alternativa a esses métodos é a aprendizagem profunda não supervisionada, que precisa somente da imagem de raio-X. Considerando o aspecto visual de segmentação e o destaque visual da área pulmonar dentro de uma imagem de raio-X, propõe-se combinar aprendizagem profunda não supervisionada com a área de saliência visual, que busca estimar as porções da imagem que mais atraem a atenção visual humana, para segmentar a região pulmonar de raios-X. O método de saliência visual é comparado a outros trabalhos de aprendizagem não supervisionada e também supervisionadas destinados à segmentação de regiões corporais em imagens em escala de cinzas. Os resultados com as métricas Dice, Jaccard, precisão e revocação nas bases de dados JSRT e MC indicam que a melhoria de desempenho do modelo baseado em saliência é estatisticamente significativa quando comparado às técnicas não supervisionadas. Se analisado a partir de abordagens supervisionadas, o método baseado em saliência parece ser adequado como substituto das suas contrapartes, tendo em vista a flexibilidade obtida pela independência de rótulos manualmente definidos. Trabalhos futuros incluem segmentar a área cardíaca e identificar anomalias em imagens de raios-X de forma não supervisionada.
Abstract: Automatically dividing an image into regions of similar properties, named segmentation, is a challenging task for computers, and it can avoid human errors induced by fatigue. One area that may be greatly benefited from automatic segmentation methods is medical imaging analysis. Within it, chest X-rays are amongst the cheapest and most widely available type of medical images. Provided they can be used for diagnosing lung related diseases, they are an excellent target for automatic image segmentation methods. The current state-of-the art image segmentation relies on manual labels defined a priori to ’learn’ the necessary features for this task. Deep unsupervised learning stands as an interesting alternative to supervised methods, since it only requires the input (e.g. the image X-ray) for training. Due to the visual nature of image segmentation and the standout aspect of the lungs on an X-ray, the combination of unsupervised learning and visual saliency (i.e. the attempt to model human visual attention) is tested for the lung segmentation on X-ray images. The saliency method is compared to state-of-the-art supervised and unsupervised models designed for grayscale medical image segmentation. Results using the Dice, Jaccard, precision and recall scores on JSRT and MC datasets indicate that the saliency method enhanced performance over other unsupervised approaches is statistically significant. When compared to supervised models, the saliency method appears to adequately substitute them given the flexibility achieved by the independence from manual labels. Future work includes segmenting the cardiac area and identifying anomalies on X-ray images in an unsupervised fashion.
Unidade Acadêmica: Faculdade de Tecnologia (FT)
Departamento de Engenharia Mecânica (FT ENM)
Informações adicionais: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, Programa de Pós-Graduação em Engenharia Mecânica, 2023.
Programa de pós-graduação: Programa de Pós-Graduação em Ciências Mecânicas
Agência financiadora: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES).
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro completo do item Visualizar estatísticas



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