FenixEdu™

Dissertação

{en_GB=Super-Resolution of Biomedical Images with Generative Adversarial Networks and posterior Tumor Segmentation} {} EVALUATED

Detalhes: {pt=Imagiologia por Ressonância Magnética (IRM) é uma técnica dispendiosa que tipicamente está associada a longos temos de aquisição. Este processo pode ser acelerado ao reduzir a cobertura espacial. Porém, isto resulta numa baixa resolução e pode eventualmente levar a diagnósticos errôneos. Proveniente de recentes descobertas no campo da Inteligência Artificial, Redes Adversarias Generativas manifestaram-se como uma alternativa para recuperar RMs de alta resolução via super-resolução. Esta tese conduz uma revisão sobre métodos de SR baseados em GANs, exibindo a capacidade destas em melhor a resolução por um factor de x4, mantendo, simultaneamente, detalhes fiáveis e de alta frequência. Apesar dos resultados quantitativos sugerirem que o SRResCycGAN supera outros métodos populares na recuperação de imagens degradadas, os resultados qualitativos mostram que o Beby-GAN detém a melhor qualidade percetiva. É assim provado que os métodos baseados em GANs têm a capacidade para reduzir custos médicos e permitem aplicações de IRM onde é actualmente demasiado lento ou caro. Além disso, a Segmentação Tumoral é utilizada para validar a proficiência das GANs na tarefa de reconstrução de RMs. A Segmentação Tumoral das RMs sintetizadas expõe diferenças marginais, havendo assim uma janela para melhorias. Ademais, esta tese sugere uma cadeia de processos para um diagnóstico mais rápido onde se fundem Super-Resolução e Segmentação Tumoral. Essencialmente, os algoritmos de segmentação tumoral beneficiam de uma melhor resolução espacial derivada da super-resolução. O processo de diagnóstico é acelerado pela aquisição de RMs de baixa resolução e pela, subsequente, deteção automática dos tumores., en=Magnetic Resonance Imaging (MRI) is an expensive medical imaging technique typically associated with long scanning times. MRI acquisition can be potentially accelerated by decreasing the spatial coverage and reducing the number of measured slices. However, this results in a lower MRI resolution and can eventually lead to misleading medical interpretations. An alternative solution comes from recent breakthroughs in Machine Learning, which have shown that high-resolution images can be recovered via super-resolution, particularly through Generative Adversarial Networks. This thesis conducts a review on GAN-based SR methods, exhibiting the immersive ability of GANs on upscaling MRIs by a x4 scale factor while at the same time maintaining trustworthy and high-frequency details. Despite quantitative results suggesting SRResCycGAN outperforms other popular deep learning methods in recovering x4 downgraded images, qualitative results show Beby-GAN holds the best perceptual quality and proves GAN-based methods hold the capacity to reduce medical costs and enable MRI applications where it is currently too slow or expensive. Additionally, Tumor Segmentation is utilized to validate the proficiency of GANs in the MRI reconstruction task. Tumor Segmentation of the synthesized images advocates marginal dissimilarities, thus there is a window for improvement. Furthermore, this thesis suggests that a chain of processes for a faster diagnosis can be conceived by merging both Super-Resolution and Tumor Segmentation. Essentially, tumor segmentation algorithms benefit from the improved spatial resolution derived from super-resolution. The diagnosis process is accelerated by acquiring low-resolution MRIs and subsequently upscaling them (via super-resolution) to detect tumors.}
Keywords: {pt=Visão Computacional, Imagem Médica, Aceleração de IRM, Super-Resolução, Segmentação de Tumores, Redes Adversariais Generativas., en=Computer Vision, Medical Imaging, MRI Acceleration, Super-Resolution, Tumor Segmentation, Generative Adversarial Networks.}

Discussão: novembro 24, 2022, 14:30