Dissertação
Attention segmentation for medical imaging diagnosis EVALUATED
O cancro da mama é o tipo de cancro mais comum em todo o mundo e exige uma detecção precoce e precisa para um tratamento eficaz. Os sistemas existentes, como o Computer-Aided Detection (CADe), usados para auxiliar os radiologistas, enfrentam desafios como falsos positivos e interpretações inadequadas. As técnicas atuais de segmentação geralmente utilizam modelos puramente convolucionais, como a U-Net, que se destacam na captura de padrões locais, mas têm limitações nas correlações distantes em imagens. Por outro lado, os mecanismos de atenção, que se concentram em detalhes mais pequenos e no contexto global, têm mostrado potencial. Contudo, comparativamente às CNNs, são mais lentos e têm dificuldade em captar padrões locais. Abordagens recentes combinam ambas as técnicas, resultando em modelos como a TransUnet e a ONet, que demonstram melhor desempenho. Esta pesquisa centra-se no desenvolvimento de um algoritmo de segmentação de imagens mamográficas, com o objetivo de evidenciar a precisão superior alcançada pela combinação de técnicas convolucionais e de atenção. Para isso, foi integrada a arquitetura em forma de O, usada pela ONet, com o Convolutional Linear Attention Block introduzido pela TFCNs. A arquitetura proposta obteve os melhores resultados nos conjuntos de dados CBIS-DDSM e INbreast, concluindo-se que a combinação de métodos convolucionais com técnicas de atenção resulta no melhor desempenho global do modelo.
novembro 24, 2023, 9:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
AUTOR
ORIENTADOR
Jacinto Carlos Marques Peixoto do Nascimento
Departamento de Engenharia Informática (DEI)
Professor Associado
