Dissertação

Detection and Segmentation of Pancreas using Morphological Snakes and Deep Convolutional Neural Networks EVALUATED

O cancro de pâncreas é um dos tipos mais letais de câncer, com 25% dos pacientes diagnosticados sobrevivendo apenas um ano e 6% cinco anos. Os testes de rastreio com tomografia computorizada (TAC) têm desempenhado um papel fundamental na melhoria da detecção precoce de cancro do pâncreas, levando mostrou a melhorias significativas nas taxas de sobrevida dos pacientes. No entanto, a análise das imagens geralmente requer segmentação manual do pâncreas, o que é uma tarefa demorada. Além disso, o pâncreas apresenta grande variabilidade de forma, ocupando apenas uma área pequena de toda a TAC abdominal, o que aumenta a dificuldade do problema. O rápido desenvolvimento da aprendizagem profunda pode contribuir para a obtenção de algoritmos robustos que fornecem resultados de segmentação precisos e independentes do utilizador, os quais podem ajudar os especialistas. Esta dissertação aborda esta tarefa, investigando uma abordagem com duas etapas para a segmentação do pâncreas. O primeiro passo é a obtenção de um mapa de probabilidade estimado e a tarefa de detecção usa o algoritmo YOLOv4. A tarefa de segmentação é abordada por um modelo U-Net modificado, bem como com um algoritmo de contornos morfológicos ativos. O modelo U-Net também foi aplicado nas imagens de TAC completas, que fornecem uma segmentação grosseira do pâncreas para servir de referência. Os resultados experimentais da rede de detecção nos conjuntos de dados NIH e Decathlon mostram 50,67% de precisão média. A melhor rede de segmentação obteve bons resultados de segmentação no conjunto de dados NIH, atingindo 67,67% de critério Dice.
Cancro do pâncreas, morphological snakes, deep learning, segmentação, redes neurais convolucionais

Janeiro 22, 2021, 11:30

Documentos da dissertação ainda não disponíveis publicamente

Orientação

ORIENTADOR

Nuno André da Silva

Luz Saúde

Especialista

ORIENTADOR

Mário Alexandre Teles de Figueiredo

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Catedrático