Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/48829
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
CaioAthaydeNeves_TESE.pdf3,65 MBAdobe PDFVisualizar/Abrir
Título: Aplicação de algoritmos de aprendizado profundo na avaliação pré-operatória de cirurgia otológica por exames de imagem
Autor(es): Neves, Caio Athayde
Orientador(es): Kessler, Iruena Moraes
Assunto: Cirurgia otológica
Tomografia computadorizada
Redes neurais (Computação)
Aprendizagem profunda
Data de publicação: 12-Jul-2024
Referência: NEVES, Caio Athayde. Aplicação de algoritmos de aprendizado profundo na avaliação pré-operatória de cirurgia otológica por exames de imagem. 2023. 119 f., il. Tese (Doutorado em Ciências Médicas) — Universidade de Brasília, Brasília, 2023.
Resumo: INTRODUÇÃO: A cirurgia otológica desempenha um papel crucial no tratamento de perda auditiva, infecções e tumores da base lateral do crânio. A segmentação precisa das estruturas otológicas a partir de tomografias computadorizadas (TC) pode melhorar significativamente o planejamento cirúrgico e a orientação intraoperatória. OBJETIVO: Desenvolver e validar um sistema de segmentação automatizada de estruturas-chave do osso temporal obtido de TC utilizando algoritmos de aprendizado profundo. MÉTODO: Trata-se de estudo Experimental no qual foram realizados dois ensaios. No primeiro experimento, 150 TC segmentadas manualmente foram utilizadas para construir modelos de segmentação automatizada empregando redes neurais convolucionais (CNN). A análise objetiva dos modelos de segmentação da orelha interna, nervo facial, ossículos e seio sigmoide incluíram o coeficiente de Dice, velocidade de segmentação e distância de Hausdorff média. No segundo protótipo, um moderno algoritmo de aprendizado profundo (SwinUNETR) foi usado para construir um modelo de previsão para segmentação rápida de nove estruturas-chave do osso temporal em 325 TC clínicas. A avaliação objetiva incluiu Dice, precisão balanceada, distâncias de Hausdorff e tempo de processamento. RESULTADOS: No primeiro experimento, os modelos obtiveram coeficientes de Dice de 0,91, 0,85, 0,75 e 0,86 para as respectivas estruturas, e o tempo de segmentação médio foi de 2,7 segundos por estrutura. O segundo modelo alcançou coeficiente de Dice médio de 0,87 para todas as estruturas, precisão balanceada média de 0,94, Distância de Hausdorff média de 0,79mm e tempo médio de processamento de 9,1 segundos por TC. CONCLUSÃO: Neste estudo, a aplicação de algoritmos de aprendizado profundo para a segmentação automatizada de estruturas do osso temporal em TC permitiu a construção de modelos com elevada precisão de acordo com a análise objetiva recomendada atualmente. Os resultados obtidos demonstram o potencial do método para melhorar a avaliação pré-operatória e a orientação intraoperatória em cirurgia otológica.
Abstract: INTRODUCTION: Otological surgery plays a crucial role in the treatment of hearing loss, infections, and tumors of the lateral skull base. Precise segmentation of otological structures from computed tomography (CT) can significantly improve surgical planning and intraoperative guidance. OBJECTIVE: To develop and validate an automated segmentation system of key temporal bone structures obtained from CT using deep learning algorithms. METHOD: This is an experimental study in which two trials were performed. In the first experiment, 150 manually segmented CTs were used to construct automated segmentation models using Convolutional Neural Networks (CNN). Objective analysis of the inner ear, facial nerve, ossicles, and sigmoid sinus segmentation models included the Dice coefficient, segmentation speed, and average Hausdorff's distance. In the second prototype, a modern deep learning algorithm (SwinUNETR) was used to construct a prediction model for quick segmentation of nine key temporal bone structures in 325 clinical CT. The objective evaluation included Dice, balanced accuracy, Hausdorff distances, and processing time. RESULTS: In the first experiment, the models obtained Dice coefficients of 0.91, 0.85, 0.75, and 0.86 for the respective structures, and the average segmentation time was 2.7 seconds per structure. The second model achieved an average Dice coefficient of 0.87 for all structures, an average balanced accuracy of 0.94, an average Hausdorff distance of 0.79mm, and an average processing time of 9.1 seconds per CT. CONCLUSION: In this study, the application of deep learning algorithms for the automated segmentation of temporal bone structures on CT scans allowed the construction of models with high accuracy according to the currently recommended objective analysis. The results obtained demonstrate the potential of the method to improve preoperative evaluation and intraoperative guidance in otologic surgery.
Unidade Acadêmica: Faculdade de Medicina (FM)
Informações adicionais: Tese (doutorado) — Universidade de Brasília, Faculdade de Medicina, Programa de Pós-Graduação em Ciências Médicas, 2023.
Programa de pós-graduação: Programa de Pós-Graduação em Ciências Médicas
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.