Desenvolvimento de Métricas de Similaridade em Registro de Imagens Médicas Fundamentada em Redes Neurais Profundas

Página do item simplificado
dc.contributor.advisorCappabianco, Fábio Augusto Menocci [UNIFESP]
dc.contributor.advisor-coFaria, Fabio Augusto [UNIFESP]
dc.contributor.advisor-coLatteshttp://lattes.cnpq.br/3828728429230356pt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/7438076121387151pt_BR
dc.contributor.authorAndrade, Natan [UNIFESP]
dc.contributor.authorLatteshttp://lattes.cnpq.br/4517361913674430pt_BR
dc.coverage.spatialSão José dos Campos, SPpt_BR
dc.date.accessioned2021-04-22T11:32:15Z
dc.date.available2021-04-22T11:32:15Z
dc.date.issued2020-12-22
dc.description.abstractRecentemente, 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.pt_BR
dc.description.abstractRecently, 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.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)pt_BR
dc.format.extent151 f.pt_BR
dc.identifierhttps://sucupira.capes.gov.br/sucupira/public/consultas/coleta/trabalhoConclusao/viewTrabalhoConclusao.jsf?popup=true&id_trabalho=10892109
dc.identifier.citationAndrade, 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 ppt_BR
dc.identifier.urihttps://repositorio.unifesp.br/handle/11600/60919
dc.languageporpt_BR
dc.publisherUniversidade Federal de São Paulopt_BR
dc.rightsinfo:eu-repo/semantics/openAccesspt_BR
dc.subjectRegistro de Imagens Médicas, Aprendizado Profundo, Métricas de Similaridade, Ensemblespt_BR
dc.subjectMedical Image Registration, Deep Learning, Similarity Metrics, Ensemblespt_BR
dc.titleDesenvolvimento de Métricas de Similaridade em Registro de Imagens Médicas Fundamentada em Redes Neurais Profundaspt_BR
dc.title.alternativeDevelopment of Similarity Metrics in Medical Image Registration Based on Deep Neural Networkspt_BR
dc.typeinfo:eu-repo/semantics/masterThesispt_BR
unifesp.assessoresproreitoriasNão se aplicapt_BR
unifesp.campusInstituto de Ciência e Tecnologia (ICT)pt_BR
unifesp.departamentopt_BR
unifesp.especializacaoNão se aplicapt_BR
unifesp.extensaoNão se aplicapt_BR
unifesp.graduacaoNão se aplicapt_BR
unifesp.graduateProgramCiência da Computaçãopt_BR
unifesp.knowledgeAreaOutrapt_BR
unifesp.researchAreaSistemas Computacionaispt_BR
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Disserta__o_Natan_Andrade_Final.pdf
Tamanho:
25.91 MB
Formato:
Adobe Portable Document Format
Descrição:
Dissertação
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
5.35 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
PPG - Ciência da Computação