Segmentação de gorduras cardíacas utilizando uma rede generativa adversária condicional

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorRodrigues, Érick Oliveira-
Autor(es): dc.contributorRodrigues, Érick Oliveira-
Autor(es): dc.contributorCasanova, Dalcimar-
Autor(es): dc.contributorOliva, Jefferson Tales-
Autor(es): dc.creatorSilva, Guilherme Santos da-
Data de aceite: dc.date.accessioned2022-08-04T20:19:04Z-
Data de disponibilização: dc.date.available2022-08-04T20:19:04Z-
Data de envio: dc.date.issued2022-05-20-
Data de envio: dc.date.issued2022-05-20-
Data de envio: dc.date.issued2021-12-05-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/28614-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/706607-
Descrição: dc.descriptionIn recent years, studies have shown that the increase in the amount of fat surrounding the heart was associated with a higher risk of triggering some cardiovascular diseases, such as atrial brillation and coronary heart disease. Manual segmentation of these fats has not been widely implemented in clinical practice due to the human workload required and the high cost of physicians and technicians. Therefore, the need to perform quantitative analysis more accurately and faster in exams with a lot of information has driven the development of new computational methods for organ segmentation. In this work, a new uni ed method for the autonomous segmentation and quanti cation of two types of cardiac fats was proposed, using the pix2pix network, a generative conditional adversary network ideally created to perform image-to-image translation. Segmented fats are called epicardium and mediastinal and are separated from each other by the pericardium. Different experiments were carried out to obtain satisfactory results regarding segmentation, explore the most suitable approaches when working with this network and evaluate the performance of a new, powerful and versatile architecture. Experimental results of the proposed methodology showed that the mean accuracy in relation to epicardial and mediastinal fats is 99.08%, with a true positive mean rate of 99.34%. The similarity indices were, on average, 99.28% and 98.59%, for the F1 score and IoU, respectively.-
Descrição: dc.descriptionNos últimos anos, estudos têm apontado que o aumento da quantidade de gordura que envolve o coração foi associado a maior risco para o desencadeamento de algumas doenças cardio-vasculares, como a fibrilação arterial e a doença coronariana. A segmentação manual dessas gorduras não tem sido amplamente implantada na prática clínica devido á carga de trabalho humana necessária e ao alto custo de médicos e técnicos. Portanto, a necessidade de realizar análises quantitativas de forma mais precisa e mais rápida em exames com muitas informações têm impulsionado o desenvolvimento de novos métodos computacionais para a segmentação de órgãos. Neste trabalho, foi proposto um novo método unificado para a segmentação e quantificação autônoma de dois tipos de gorduras cardíacas, utilizando a rede pix2pix, uma rede generativa adversária condicional criada idealmente para realizar a tradução de imagem para imagem. As gorduras segmentadas são denominadas epicárdio e mediastinal e ficam separadas umas das outras pelo pericárdio. Experimentos diferentes foram realizados afim de se obter resultados satisfatórios em relação a segmentação, explorar as abordagens mais adequadas ao trabalhar com esta rede e avaliar o desempenho de uma arquitetura nova, poderosa e versátil. Resultados experimentais da metodologia proposta mostraram que a acurácia média em relação às gorduras epicárdicas e mediastinais é de 99,08%, com uma taxa média positiva verdadeira de 99,34%. Os índices de similaridade foram, em média, de 99,28% e 98,59%, para o F1 score e IoU, respectivamente.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherPato Branco-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherDepartamento Acadêmico de Informática-
Publicador: dc.publisherEngenharia de Computação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttps://creativecommons.org/licenses/by-nc/4.0/-
Palavras-chave: dc.subjectAterosclerose-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectMorfismo (Matemática)-
Palavras-chave: dc.subjectAtherosclerosis-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectMorphisms (Mathematics)-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleSegmentação de gorduras cardíacas utilizando uma rede generativa adversária condicional-
Título: dc.titleCardiac fats segmentation using a conditional generative adversarial network-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.