| Campo Dublin Core | Valor | Língua |
|---|
| dc.contributor.advisor | Borges, Díbio Leandro | - |
| dc.contributor.author | Guimarães, Rodrigo Ferreira | - |
| dc.identifier.citation | GUIMARÃES, Rodrigo Ferreira. Avaliação de eficiência de segmentador de imagens cardíacas. 2021. 57 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Computação) — Universidade de Brasília, Brasília, 2021. | pt_BR |
| dc.description | Trabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2021. | pt_BR |
| dc.description.abstract | A identificação das estruturas cardíacas a partir de Imagem de Ressonância Magnética
(IRM) ajuda a salvar vidas. Este processo exige tempo e delicadeza por parte dos especialistas
que as indicam. Dada esta dificuldade e complexidade, o uso deste conhecimento por
técnicas computacionais torna-se importante, vantajoso e vital. Por este motivo, este trabalho
avalia a eficiência de Rede Neuronal Completamente Convolucional otimizada para
a segmentação de imagens cardíacas providas por IRM. Esta análise foi conduzida a partir
da base de dados Automated Cardiac Diagnosis Challenge (ACDC) 2017 (por caracterizar
a cavidade do ventrículo direito, o miocárdio e a cavidade do ventrículo esquerdo) e possui
o Dice Similarity Coefficient (DSC) como principal métrica de desempenho. Ponderou-se
o impacto nos resultados para (i) distintas funções de perda, alternando entre a entropia
cruzada, a Dice Loss, a Focal Loss (FL) (com fator = 2) e a combinação das duas
últimas; e (ii) dimensões manuseáveis reduzidas. Com esta fundação, a redução das dimensões
favoreceu a caracterização otimizada das regiões de interesse e a obtenção de DSC
superior a 0,95 ao final deste estudo. Utilizar a combinação de funções de perda mostrouse
como uma excelente alternativa ao conseguir unir as vantagens que cada uma possuía
isoladamente. Isto posto, avaliações futuras incluem o comportamento deste segmentador
manipulando outras bases de dados, evidenciando as porções das classes anotadas,
empregando outros fatores à FL e outras ponderações na combinação das funções de
perda. | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.subject.keyword | Segmentação de imagens | pt_BR |
| dc.subject.keyword | Aprendizado de máquina | pt_BR |
| dc.subject.keyword | Processamento de imagens - técnicas digitais | pt_BR |
| dc.title | Avaliação de eficiência de segmentador de imagens cardíacas | pt_BR |
| dc.type | Trabalho de Conclusão de Curso - Graduação - Bacharelado | pt_BR |
| dc.date.accessioned | 2022-03-30T13:37:27Z | - |
| dc.date.available | 2022-03-30T13:37:27Z | - |
| dc.date.submitted | 2021-11-09 | - |
| dc.identifier.uri | https://bdm.unb.br/handle/10483/30281 | - |
| dc.language.iso | Português | pt_BR |
| dc.rights.license | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta. | pt_BR |
| dc.description.abstract1 | Recognition of cardiac multi-structures from Magnetic Resonance Imaging (MRI) helps
to save lives, which requires time and delicacy from those experts who nominate them.
Given this difficulty and complexity, the use of this knowledge by computational techniques
becomes important, advantageous and vital. For this reason, this work evaluates
the efficiency of a Fully Convolutional Neural Network (FCNN) optimized for segmentation
of cardiac images provided by MRI. This analysis was conducted using images
from Automated Cardiac Diagnosis Challenge (ACDC) 2017 dataset (which provide the
right ventricular cavity, the myocardium and the left ventricular cavity as annotated categories)
and has the Dice Similarity Coefficient (DSC) as the main metric. The impact
on the results was evaluated for (i) distinct loss functions, alternating between Cross
Entropy, Dice Loss, Focal Loss (FL) (with actor equals 2) and the combination of
the last two of them; and (ii) reduced dimensions. With this foundation, the reduction
of dimensions facilited the optimized characterization of the regions of interest and the
achievement of a DSC greater than 0.95 at the end of this study. Using the loss functions
combinaned proved to be an excellent alternative as it managed to mix the advantages
that each one had separately. That being said, future works include the behavior of this
model using other datasets, highlighting the annotated categories weight, testing other
factors to FL and other weights into the combination of loss functions. | pt_BR |
| Aparece na Coleção: | Engenharia da Computação
|
