As doenças cardiovasculares são a principal causa de morte a nível mundial. As tecnologias não invasivas de imageamento cardíaco, tais como a ressonância magnética, são ferramentas essenciais de apoio ao diagnóstico e monitoramento de diversas patologias. Um passo fundamental para a extração dos indicadores da função cardíaca é a segmentação dos contornos do endocárdio e do epicárdio na cavidade ventricular esquerda. Este processo, a maioria das vezes, é realizado manualmente pelos especialistas, o qual exige muito tempo e esforço, além de que é propenso a erros intra e inter-observadores. Esta dissertação desenvolve uma metodologia automática baseada em uma rede neural totalmente convolutiva para segmentar o miocárdio em imagens do eixo curto de ressonância magnética cardíaca. O banco de imagens utilizado é dividido em 10 conjuntos para propósitos de treinamento e teste. São avaliados seis métodos de otimização, a saber, o gradiente descendente estocástico, o gradiente acelerado de Nesterov, o RMSProp, o Adam, o AdaDelta e o AdaGrad. Os melhores resultados foram alcançados com o gradiente descendente estocástico e com o RMSProp. Com o gradiente descendente estocástico foi obtido um coeficiente Dice de 0,9055 e 0,9146, distância de Hausdorff de 10,5244 e 10,7240, sensibilidade de 0,9263 e 0,9135, especificidade de 0,9985 e 0,9986, para o endocárdio e epicárdio, respectivamente. Com o RMSProp foi obtido um coeficiente Dice de 0,9098 e 0,9167, distância de Hausdorff de 9,0421 e 9,7663, sensibilidade de 0,9200 e 0,9116, especificidade de 0,9988 e 0,9987, para o endocárdio e epicárdio, respectivamente.
|
