FenixEdu™

Dissertação

Deep Convolutional Encoder-Decoder Architectures for Clinically Relevant Coronary Artery Segmentation EVALUATED

Detalhes: A angiografia coronária é um procedimento clínico crucial para o diagnóstico e tratamento da doença coronária, responsável por cerca de 16% das mortes anuais em todo o mundo. Contudo, a baixa resolução e contraste destas imagens dificultam a detecção de lesões e a avaliação da sua gravidade. A segmentação precisa das artérias coronárias não só ajuda a mitigar estes problemas, como permite determinar características anatómicas para análise por métodos quantitativos. Embora a segmentação automática das artérias coronárias já tenha sido abordada no passado, os critérios de segmentação utilizados não são clinicamente óptimos. A maioria dos métodos existentes segmenta apenas o vaso principal, descartando informação importante relativa aos restantes, ou segmenta toda a árvore coronária, incluindo artérias não relevantes para diagnóstico e inelegíveis para tratamento. Nesta tese, as artérias são segmentadas de acordo com a sua relevância clínica, utilizando um critério de segmentação desenvolvido em colaboração com cardiologistas. Complementarmente, o cateter, cujo diâmetro é conhecido e estabelece um factor de escala que potencialmente útil para o diagnóstico, é também segmentado. Para determinar a melhor abordagem a este problema, foi realizado um estudo comparativo de arquitecturas de segmentação encoder-decoder. Com base na UNet++, é proposta um novo decoder, a EfficientUNet++, que, aliada a encoders da família EfficientNet, estabelece uma linha de modelos de segmentação computacionalmente eficientes e de alta performance, cujo membro com melhor desempenho atinge um generalized dice score de 0.9202 +/- 0.0356, e dice scores de 0.8858 +/- 0.0461 e 0.7627 +/- 0.1812, na segmentação de artérias e cateteres, respectivamente.
Keywords: Angiografia Coronária, Aprendizagem Profunda, Doença Coronária, Redes Neuronais Convolucionais, Segmentação das Artérias Coronárias, Segmentação de Imagem Médica.

Discussão: novembro 24, 2021, 10:0