Dissertação
Vision Transformer for the segmentation of 3D microscopy images EVALUATED
A organização e o bom funcionamento dos vasos sanguíneos são essenciais para manter os tecidos humanos saudáveis. Desorganização ou disfunção podem causar várias doenças, tornando o estudo do padrão vascular crucial. Para estudar estas questões vasculares, a segmentação torna-se uma ferramenta essencial. A segmentação ajuda a identificar e analisar com precisão os diferentes componentes e padrões dentro dos vasos sanguíneos, permitindo um melhor diagnóstico e tratamento de doenças relacionadas com os vasos sanguíneos. Nos últimos anos, os métodos de aprendizagem profunda têm sido extensivamente estudados para a segmentação de imagens de microscopia, permitindo quantificar e caracterizar de forma eficiente e precisa células, núcleos e outras estruturas biológicas. Esta tese explora o uso de Vision Transformers para a segmentação de imagens de microscopia tridimensionais, com foco nas estruturas de núcleos e Golgi em retinas de ratos. Embora as Convolutional Neural Networks tenham sido amplamente utilizadas para análise de imagens, elas frequentemente têm dificuldade em capturar o contexto completo de imagens. Os ViT, com a sua capacidade de capturar tanto características locais como globais, oferecem uma alternativa promissora. Esta tese propõem um modelo baseado em Convolutions to Vision Trasnformer, especificamente o Fully Convolutional Transformer , e é comparado o seu desempenho com dois outros modelos: o 3D U-Net e o UNet Transformers. O nosso conjunto de dados consiste em imagens de microscopia de fluorescência 3D de retinas de ratos. Os modelos são treinados, validados e testados para produzir máscaras de segmentação 3D das estruturas de núcleos e Golgi.
julho 26, 2024, 14:0
Documentos da dissertação ainda não disponíveis publicamente
Orientação
ORIENTADOR
Maria Margarida Campos da Silveira
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado