Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/352920
Type: DISSERTAÇÃO DIGITAL
Degree Level: Mestrado
Title: Automatic liver tumor segmentation from computed tomography images based on 2D and 3D deep neural networks : Segmentação automática de tumores do fígado a partir de imagens de tomografia computadorizada baseada em redes neurais profundas 2D e 3D
Title Alternative: Segmentação automática de tumores do fígado a partir de imagens de tomografia computadorizada baseada em redes neurais profundas 2D e 3D
Author: Tustumi, William Hideki Azana, 1993-
Advisor: Pedrini, Hélio, 1963-
Abstract: Resumo: A segmentação de tumores do fígado é o processo de classificação de voxels entre tumor e tecido saudável realizada a partir de um volume de tomografia computadorizada. A crescente qualidade dos métodos de aquisição de imagens médicas tem permitido a identificação, a localização e o diagnóstico de doenças, evitando-se métodos mais invasivos. Essa análise é vital para decidir sobre o tratamento mais adequado para o paciente. Em especial, a segmentação dos tumores é usada na decisão da viabilidade da extração do tumor e auxilia a especificação do plano operatório. O processo de segmentação das regiões atingidas pelos tumores, quando realizado manualmente, requer tempo e experiência dos especialistas médicos, pois envolve criar uma máscara do tumor para cada uma das fatias da tomografia. Esta tarefa é particularmente desafiadora quando os pacientes estão localizados em regiões carentes e distantes de serviços médicos especializados. Dois tipos de abordagens têm sido tradicionalmente propostas para agilizar e facilitar a segmentação de tomografias, uma completamente automática e outra que se baseia na intervenção humana. Neste trabalho, focamos em técnicas completamente automáticas para a segmentação de tumores do fígado. Apesar das redes neurais convolucionais alcançarem resultados significativos nas áreas de segmentação e classificação de imagens, a segmentação de volumes tomográficos apresenta novos desafios, como a introdução, artefatos oriundos da extração das imagens e número limitado de exemplos para treinamento. Em nossa pesquisa, investigamos o balanceamento entre os recursos computacionais e a qualidade da segmentação. Inicialmente, analisamos o desempenho de várias redes convolucionais e testamos camadas de diferentes redes seguindo o modelo de balanceamento da EfficientNet. A seguir, expandimos as camadas para convoluções tridimensionais e testamos camadas que tratavam as dimensões do volume separadamente. Finalmente, avaliamos o tempo de execução dos nossos modelos em equipamentos com processamento e memória limitados. Embora nossos modelos tenham obtido resultados inferiores em termos de eficácia com relação a outros métodos da literatura, sua execução se mostrou viável em um ambiente computacional restritivo. Os experimentos foram realizados na base de dados Liver Tumor Segmentation Challenge (LiTS)

Abstract: Segmentation of liver tumors is the process of voxel classification between tumor and healthy tissue performed from a volume of computed tomography. The increasing quality of medical image acquisition methods has allowed the identification, location and diagnosis of diseases, avoiding very intrusive surgeries. This analysis is vital to decide the most appropriate treatment for the patient. In particular, the segmentation of the tumors is used to decide the feasibility of extracting the tumor and helps to specify the operative plan. The segmentation process of regions affected by tumors, when performed manually, requires time and experience from medical specialists, as it involves creating a tumor mask for each of the slices of the tomography. This task is particularly challenging when patients are located in underserved regions and away from specialized medical services. Two types of approaches have traditionally been proposed to speed up and facilitate the segmentation of CT scans, one completely automatic and the other based on human intervention. In this work, we focus on fully automatic techniques for segmenting liver tumors. Despite the convolutional neural networks achieving significant results in the areas of image segmentation and classification, the segmentation of tomographic volumes presents new challenges, such as the introduction of a dimension of spatial relationships, artifacts from the extraction of images and a limited number of examples for training. In our research, we investigated the trade-off between computational resources and segmentation quality. Initially, we analyzed the performance of several convolutional networks and tested layers of different networks following the EfficientNet balancing model. Next, we expanded the layers for three-dimensional convolutions and tested layers that handled the dimensions of the volume separately. Finally, we evaluated the execution time of our models in equipment with limited processing and memory. Although our models have obtained inferior results in terms of effectiveness when compared with other methods in the literature, their execution proved to be viable in a restrictive computational environment. The Experiments were performed on the Liver Tumor Segmentation Challenge (LiTS) database
Subject: Segmentação de imagens
Segmentação de imagens médicas
Inteligência artificial
Redes neurais (Computação)
Language: Inglês
Editor: [s.n.]
Citation: TUSTUMI, William Hideki Azana. Automatic liver tumor segmentation from computed tomography images based on 2D and 3D deep neural networks : Segmentação automática de tumores do fígado a partir de imagens de tomografia computadorizada baseada em redes neurais profundas 2D e 3D . 2020. 1 recurso online ( 81 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP.
Date Issue: 2020
Appears in Collections:IC - Tese e Dissertação

Files in This Item:
File SizeFormat 
Tustumi_WilliamHidekiAzana_M.pdf11.6 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.