Dissertação
Kidney segmentation in MRI images using deep learning: A comparison between U-NET and Attention U-NET EVALUATED
A crescente prevalência da Doença Renal Crónica representa um desafio significativo para a saúde pública, afetando mais de 10% da população. Os biomarcadores de Ressonância Magnética demonstraram ser sensíveis a alterações patofisiológicas podem ajudar a reduzir a necessidade de biópsia, por serem não-invasivos, bem como o risco de complicações em pacientes com Doença Renal Crónica. O volume total do rim é o parâmetro mais avaliado em pacientes com Doença Renal Policística Autossómica Dominante e auxilia o acompanhamento da evolução da Doença Renal Crónica. A segmentação renal é um passo essencial para avaliar o volume do rim. No entanto, depende, frequentemente, da segmentação manual, que é uma tarefa demorada e altamente subjetiva. As metodologias de deep learning contribuíram para o desenvolvimento de algoritmos que fornecem resultados precisos, baratos e independentes do utilizador. Esta dissertação explora abordagens baseadas em deep learning para segmentação renal, em particular a U-Net e a Attention U-Net. Ambas as arquiteturas foram testadas usando, como funções de custo, a entropia cruzada padrão e uma função de entropia cruzada focal. Finalmente, as soluções propostas foram usadas para realizar segmentação em 2 e 3 classes, como uma tentativa de melhorar a segmentação em regiões fronteiriças do rim. Dados fornecido pela Ação COST PARENCHIMA foram usados tanto para o treino dos modelos, como para a sua validação, através de validação cruzada leave-one-out. O melhor coeficiente de Dice obtido com o conjunto de teste foi de 0.966%.
junho 29, 2023, 9:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
