Desenvolvimento de Métricas de Similaridade em Registro de Imagens Médicas Fundamentada em Redes Neurais Profundas
Data
2020-12-22
Autores
Andrade, Natan 
Orientadores
Cappabianco, Fábio Augusto Menocci
Tipo
Dissertação de mestrado
Título da Revista
ISSN da Revista
Título de Volume
Resumo
Recentemente, diversas técnicas de aprendizado de máquina e visão computacional baseadas em aprendizado profundo revolucionaram as mais diversas áreas da ciência, incluindo o registro de imagens médicas. Inúmeros tipos de modalidades de imagens médicas proporcionam diversos avanços para o diagnóstico antecipado e o tratamento de doenças. O registro é um processamento digital indispensável em imagens estruturais e funcionais empregadas em diversos estudos analíticos. Um dos componentes dos métodos de registro é a métrica de similaridade que serve para identificar as mesmas regiões em imagens de modalidades diferentes e/ou em diferentes perspectivas. O registro de imagens de multimodalidades constitui uma das maiores adversidades em imagens médicas devido à grande variabilidade de tecidos e às diferentes aparências, formas e posições. Visando contornar essa situação, neste projeto foi utilizada uma estratégia de modelagem de métricas de similaridade utilizando-se o aprendizado profundo objetivando obter, aplicar e validar novas métricas de similaridade que conseguem produzir registros de imagens médicas de multimodalidades com maior acurácia e qualidade. Além disso, desenvolvemos ensembles entre os mapas de similaridade que foram avaliados por duas novas métricas de avaliação, o que permitiu um resultado mais robusto em relação a acurácia da região de correspondência e das regiões de falsa correspondência.
Recently, several machine-learning and computer-vision techniques based on deep learning revolutionized a diversity of scientific areas, including medical imaging. Numerous types of medical imaging modalities provide considerable advances for early diagnosis and treatment of diseases. Medical image registration is an indispensable digital processing in structural and functional images used in several analytical studies. One of the components of the registration methods is the similarity metric that serves to identify the same regions in images of different modalities and / or in different perspectives. Multimodal image registration consitutes one of the greatest challenges in medical imaging due to the great variability of tissues and the different appearances, shapes, and positions. Aiming to overcome this situation, a similarity metrics modeling strategy will be used in this project, using deep learning to obtain, apply, and validate a new similarity metric that can produce multimodality medical image registration with greater accuracy and quality. In addition, we developed ensembles between the similarity maps that were evaluated by two new evaluation metrics, which allowed a more robust result in relation to the accuracy of the correspondence region and the regions of false correspondence.
Recently, several machine-learning and computer-vision techniques based on deep learning revolutionized a diversity of scientific areas, including medical imaging. Numerous types of medical imaging modalities provide considerable advances for early diagnosis and treatment of diseases. Medical image registration is an indispensable digital processing in structural and functional images used in several analytical studies. One of the components of the registration methods is the similarity metric that serves to identify the same regions in images of different modalities and / or in different perspectives. Multimodal image registration consitutes one of the greatest challenges in medical imaging due to the great variability of tissues and the different appearances, shapes, and positions. Aiming to overcome this situation, a similarity metrics modeling strategy will be used in this project, using deep learning to obtain, apply, and validate a new similarity metric that can produce multimodality medical image registration with greater accuracy and quality. In addition, we developed ensembles between the similarity maps that were evaluated by two new evaluation metrics, which allowed a more robust result in relation to the accuracy of the correspondence region and the regions of false correspondence.
Descrição
Citação
Andrade, Natan Desenvolvimento de Métricas de Similaridade em Registro Médicos Fundamentada em Redes Neurais Profundas / Natan Andrade Orientador(a) Fábio Augusto M. Cappabianco; Coorientador(a) Fabio Augusto Faria. - São José dos Campos, 2020. 151 p