Dissertação

Applying Deep Learning to Medical Images EVALUATED

Redes convolucionais profundas foram recentemente adotadas pela comunidade científica como uma solução competitiva para tarefas de reconhecimento visual. Entre estas redes, as FCNN têm ganho popularidade por obterem bons resultados ao abandonarem as camadas finais totalmente conectadas das CNN clássicas. A FCNN original, com utilização do salto entre camadas, foi capaz de atingir bons resultados para datasets grandes. Esta arquitetura inspirou a U-Net, que apresenta um melhor desempenho sendo, simultaneamente, mais rápida e computacionalmente mais leve. Estas estão projetadas para trabalhar com imagens 2D. No entanto a maioria das imagens médicas, tais como ultrassons e ressonâncias magnéticas, são 3D. Surge então a V-Net, que consiste numa rede neuronal totalmente convolucional desenhada para operar com imagens 3D, a qual introduz uma nova função objetivo, remove camadas de filtragem por agregação e efetua propagação residual. V-Nets apresentam bons resultados em diversas tarefas de reconhecimento visual, exigindo uma fração do tempo de processamento para atingir os mesmos resultados que os seus competidores. Neste trabalho são implementadas variantes de U-Net e V-Net para comprovar o bom desempenho destas arquiteturas em tarefas de segmentação visual de imagens do foro médico e para avaliar a forma através da qual a função objetivo, a propagação de resíduos, as funções de ativação e o método de otimização afetam o desempenho. Um objetivo secundário do presente trabalho é o de estabelecer uma relação entre a base teórica e uma implementação através da análise da API Tensorflow da Google, desenhada para aprendizagem automática, com ênfase em computação distribuída.
FCNN, U-Net, V-Net, Aprendizagem Profunda, Segmentação de Imagem, Tensorflow

Julho 12, 2019, 9:0

Documentos da dissertação ainda não disponíveis publicamente

Orientação

ORIENTADOR

Mário Alexandre Teles de Figueiredo

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Catedrático

ORIENTADOR

Arlindo Manuel Limede de Oliveira

Departamento de Engenharia Informática (DEI)

Professor Catedrático