Análise de histopatologia renal usando deep learning

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSchneider, Fabio Kurt-
Autor(es): dc.contributorhttps://orcid.org/ 0000-0001-6916-1361-
Autor(es): dc.contributorhttp://lattes.cnpq.br/1463591813823167-
Autor(es): dc.contributorSilva, Wilson Jose da-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-6288-3625-
Autor(es): dc.contributorhttp://lattes.cnpq.br/6419561860187332-
Autor(es): dc.contributorCasanova, Dalcimar-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-1905-4602-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4155115530052195-
Autor(es): dc.contributorSchneider, Fabio Kurt-
Autor(es): dc.contributorhttps://orcid.org/ 0000-0001-6916-1361-
Autor(es): dc.contributorhttp://lattes.cnpq.br/1463591813823167-
Autor(es): dc.contributorPrado, Karin Braun-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-9652-0566-
Autor(es): dc.contributorhttp://lattes.cnpq.br/0480268360549702-
Autor(es): dc.creatorBarbosa, Lourenço Madruga-
Data de aceite: dc.date.accessioned2022-08-04T20:19:01Z-
Data de disponibilização: dc.date.available2022-08-04T20:19:01Z-
Data de envio: dc.date.issued2022-04-04-
Data de envio: dc.date.issued2022-04-04-
Data de envio: dc.date.issued2020-12-16-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/27820-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/706593-
Descrição: dc.descriptionIn this work we use convolutional neural network and deep learning to detect objects of biomedical interest (i.e., glomeruli) in whole digitalized slides from studies of renal pathology. The analysis of glomeruli is important for studies of nephropathies caused by diabetes, lupus, drug use, excess of drugs, among other causes. The digitization of entire slides allows the application of a variety of digital image processing techniques and the use of artificial intelligence to assist doctors in diagnoses. We carried out the of a YOLOv3 convolutional neural network of architecture with 53 layers. The training and performance analysis of the network had 6 experiments. The training data set contained a total of 16 entire slides, divided into sub-images of 2048x2048, which resulted in a total of 815 images, containing a total of 2325 annotated glomeruli, for training, validation and performance evaluation. For the performance analysis of the trained network (i.e., detection), 7 unknown slides of the network were selected. Based on the result found, it is possible to state that the result of this work is superior to those found in the literature. Accuracy, Precision, Sensitivity, Specificity and F1s of 99.40%, 97.31%, 96.17%, 99.73% and 94.24%, respectively, were obtained in this work showing the potential to assist in the diagnosis of histopathological exams.-
Descrição: dc.descriptionNeste trabalho utilizamos redes neurais convolucionais e aprendizagem profunda para detectar objetos de interesse biomédico (i.e., glomérulos) em lâminas inteiras digitalizadas de estudos de patologia renal. A análise de glomérulos é importante para estudos de nefropatias causadas por diabetes, lúpus, uso de drogas, excesso de fármacos, entre outras causas. A digitalização de lâminas inteiras permite a aplicação de uma variedade de técnicas de processamento digital de imagem e uso de inteligência artificial para auxiliar os médicos em diagnósticos. Efetuamos o treinamento de uma rede neural convolucional YOLOv3 de arquitetura com 53 camadas. O treinamento e análise de desempenho da rede contou com 6 experimentos. O conjunto de dados de treinamento, continha um total de 16 lâminas inteiras, divididas em subimagens de 2048x2048, que resultaram em um total de 815 imagens, contendo um total de 2325 glomérulos anotados, para o treinamento, validação e avaliação de desempenho. Para a análise de desempenho da rede treinada (i.e., detecção), foram selecionadas 7 lâ- minas desconhecidas da rede. Com base no resultado encontrado, é possível afirmar que o resultado deste trabalho é superior aos encontrados na literatura. Acurácia, Precisão, Sensibilidade, Especificidade e F1s de 99,40%, 97,31%, 96,17%, 99,73% e 94,24%, respectivamente, foram obtidas neste trabalho mostrando o potencial para auxiliar nos diagnósticos de exames histopatológicos.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCuritiba-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherPrograma de Pós-Graduação em Engenharia Elétrica e Informática Industrial-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-nd/4.0/-
Palavras-chave: dc.subjectAprendizado de máquinas-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectGlomérulos renais-
Palavras-chave: dc.subjectHistopatologia-
Palavras-chave: dc.subjectProcessamento de imagens - Técnicas digitais-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectKidney glomerulus-
Palavras-chave: dc.subjectHistology, Pathological-
Palavras-chave: dc.subjectImage processing - Digital techniques-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA BIOMEDICA-
Palavras-chave: dc.subjectEngenharia Elétrica-
Título: dc.titleAnálise de histopatologia renal usando deep learning-
Título: dc.titleAnalysis of kidney histopathology using deep learning-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.