Dissertação

{en_GB=Detection and Segmentation of Pancreas using Morphological Snakes and Deep Convolutional Neural Networks} {} EVALUATED

{pt=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., en=Pancreatic cancer is one of the deadliest types of cancer, with 25% of the diagnosed patients surviving for only one year and 6% of them for five. Computed tomography (CT) screening trials have played a key role in improving early detection of pancreatic cancer, which has shown significant improvement in patient survival rates. However, advanced analysis of such images often requires manual segmentation of the pancreas, which is a time-consuming task. Moreover, pancreas presents high variability in shape, while occupying only a very small area of the entire abdominal CT scans, which increases the complexity of the problem. The rapid development of deep learning can contribute to offering robust algorithms that provide inexpensive, accurate, and user-independent segmentation results that can guide the domain experts. This dissertation addresses this task by investigating a two-step approach for pancreas segmentation, by assisting the task with a prior rough localization or detection of pancreas. This former is achieved by an estimated probability map and the detection task is by using the YOLOv4 deep learning algorithm. The segmentation task is tackled by a modified U-Net model applied on cropped data, as well as by using a morphological active contours algorithm. The U-Net model was also applied on the full CT images, which provide a coarse pancreas segmentation to serve as reference. Experimental results of the detection network on the NIH and the Decathlon datasets show 50.67% mean Average Precision. The best segmentation network achieved good segmentation results on the NIH dataset, reaching 67.67% Dice score.}
{pt=Cancro do pâncreas, morphological snakes, deep learning, segmentação, redes neurais convolucionais, en=Pancreatic cancer, morphological snakes, deep learning, segmentation, convolutional neural networks}

Janeiro 22, 2021, 11:30

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