Dissertação

Segmentação do miocárdio em imagens de MRI cardíaca utilizando redes neurais convolutivas

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 ind...

ver descrição completa

Autor principal: Romaguera, Liset Várquez
Outros Autores: http://lattes.cnpq.br/2702099321166330
Grau: Dissertação
Idioma: por
Publicado em: Universidade Federal do Amazonas 2017
Assuntos:
Ressonância Magnética Cardíaca
Miocárdio
Redes Neurais Convolutivas
ENGENHARIAS: ENGENHARIA ELÉTRICA
Acesso em linha: http://tede.ufam.edu.br/handle/tede/5707
id oai:https:--tede.ufam.edu.br-handle-:tede-5707
recordtype dspace
spelling oai:https:--tede.ufam.edu.br-handle-:tede-57072018-08-16T18:10:08Z Segmentação do miocárdio em imagens de MRI cardíaca utilizando redes neurais convolutivas Romaguera, Liset Várquez Costa, Marly Guimarães Fernandes http://lattes.cnpq.br/2702099321166330 http://lattes.cnpq.br/7169358412541736 Costa, Marly Guimarães Fernandes http://lattes.cnpq.br/7169358412541736 Ressonância Magnética Cardíaca Miocárdio Redes Neurais Convolutivas ENGENHARIAS: ENGENHARIA ELÉTRICA 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. Cardiovascular diseases are the leading cause of death worldwide. Noninvasive cardiac imaging technologies, such as magnetic resonance, are essential tools to support the diagnosis and monitoring of various pathologies. The previous step for the extraction of cardiac function indicators is the endocardium and epicardium contours segmentation in the left ventricular cavity. This process often is performed manually by the specialists, which requires a lot of time and effort, and is prone to intra and inter-observer errors. This dissertation develops an automatic methodology based on a fully convolutional neural network to segment the myocardium in short axis cardiac magnetic resonance images. The database used is divided into 10 sets for training and testing purposes. Six optimization methods are evaluated: stochastic gradient descend, Nesterov accelerated gradient, RMSProp, Adam, AdaDelta and AdaGrad. The best results were achieved with the stochastic gradient descend and RMSProp. With the former, a Dice coefficient of 0.9055 and 0.9146, Hausdorff distance of 10.5244 and 10.7240, sensitivity of 0.9263 and 0.9135, specificity of 0.9985 and 0.9986 were obtained for endocardium and epicardium, respectively. With RMSProp, a Dice coefficient of 0.9098 and 0.9167, Hausdorff distance of 9.0421 and 9.7663, sensitivity of 0.9200 and 0.9116, specificity of 0.9988 and 0.9987 were obtained for endocardium and epicardium, respectively. CAPES 2017-06-23T13:09:36Z 2017-04-17 Dissertação ROMAGUERA, Liset Vázquez. Segmentação do miocárdio em imagens de MRI cardíaca utilizando redes neurais convolutivas. 2017. 153 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus, 2017. http://tede.ufam.edu.br/handle/tede/5707 por Acesso Aberto http://creativecommons.org/licenses/by-nc-nd/4.0/ application/pdf Universidade Federal do Amazonas Faculdade de Tecnologia Brasil UFAM Programa de Pós-graduação em Engenharia Elétrica
institution TEDE - Universidade Federal do Amazonas
collection TEDE-UFAM
language por
topic Ressonância Magnética Cardíaca
Miocárdio
Redes Neurais Convolutivas
ENGENHARIAS: ENGENHARIA ELÉTRICA
spellingShingle Ressonância Magnética Cardíaca
Miocárdio
Redes Neurais Convolutivas
ENGENHARIAS: ENGENHARIA ELÉTRICA
Romaguera, Liset Várquez
Segmentação do miocárdio em imagens de MRI cardíaca utilizando redes neurais convolutivas
topic_facet Ressonância Magnética Cardíaca
Miocárdio
Redes Neurais Convolutivas
ENGENHARIAS: ENGENHARIA ELÉTRICA
description 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.
author_additional Costa, Marly Guimarães Fernandes
author_additionalStr Costa, Marly Guimarães Fernandes
format Dissertação
author Romaguera, Liset Várquez
author2 http://lattes.cnpq.br/2702099321166330
author2Str http://lattes.cnpq.br/2702099321166330
title Segmentação do miocárdio em imagens de MRI cardíaca utilizando redes neurais convolutivas
title_short Segmentação do miocárdio em imagens de MRI cardíaca utilizando redes neurais convolutivas
title_full Segmentação do miocárdio em imagens de MRI cardíaca utilizando redes neurais convolutivas
title_fullStr Segmentação do miocárdio em imagens de MRI cardíaca utilizando redes neurais convolutivas
title_full_unstemmed Segmentação do miocárdio em imagens de MRI cardíaca utilizando redes neurais convolutivas
title_sort segmentação do miocárdio em imagens de mri cardíaca utilizando redes neurais convolutivas
publisher Universidade Federal do Amazonas
publishDate 2017
url http://tede.ufam.edu.br/handle/tede/5707
_version_ 1831969504731594752
score 11.755432

Registros relacionados