Avaliando o desempenho de redes neurais convolucionais com arquiteturas de grafos acíclicos diretos e sequenciais na segmentação automática de lesões mamárias
Carregando...
Data
Autores
Orientador(es)
Coorientador(es)
Costa Filho , Cícero Ferreira Fernandes
Membros da banca
Pereira, José Raimundo Gomes
Oliveira, Jozias Parente de
Oliveira, Jozias Parente de
Pós-Graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal do Amazonas
Tipo
Direito de acesso
DOI
Resumo
O câncer de mama pode ser visto como um problema mundial, que é responsável por um número substancial de mortes. O diagnóstico pela análise de imagem da lesão tem se mostrado eficiente, notadamente através de uso de técnicas de aprendizado de máquinas. O sucesso alcançado em anos recentes cresceu devido ao uso das redes convolucionais. Esse método se mostra capaz de fazer tarefas de visão computacional com sucesso, como a segmentação automática de lesões nas mais variadas modalidades de imagens biomédicas. Essa etapa, a segmentação, suporta etapas posteriores de um sistema computadorizado de auxílio a diagnóstico por imagem. Nessa dissertação avalia-se o desempenho de redes neurais convolucionais com arquiteturas de grafos acíclicos diretos na segmentação automática de lesões mamárias em imagens de ultrassonografia. Foram implementadas e testadas quatro arquiteturas de redes convolucionais, três delas com grafos acíclicos diretos (DAG) e uma sequencial. Para o desenvolvimento e avaliação das propostas, dois bancos de imagens de ultrassom de mama (banco A e banco B) foram utilizados. Algumas diferenças marcantes entre esses referidos bancos são a dimensão, resolução e qualidade das imagens. Assim as imagens foram previamente processadas e adaptadas (cropping e resize). Os treinamentos dessas redes
com parada pelo número de épocas se mostraram instáveis. Problema este que foi contornado com a proposição de uma função de auxílio ao treinamento, que permitiu obter o ponto de melhor desempenho do modelo. A melhor arquitetura foi escolhida com base em métricas já consagradas na literatura, como Acurácia global e coeficiente Dice. As quatro arquiteturas testadas alcançaram resultados similares, com acurácias globais de mais de 94% cada. O teste de significância estatística t-student apontou que para ambos os bancos de dados a melhor arquitetura de rede na validação foi a U-net, alcançando mais de 99% de acurácia global para o banco de dados B e mais de 96% para o banco de dados A. A rede apontada com melhor desempenho pôde ser testada, com outros dados de entrada, e seu desempenho se manteve o mesmo. Foi possível concluir que o procedimento de cropping não se mostrou crucial para uma boa precisão na segmentação. Além disso, a análise estatística das métricas de desempenho mostrou que o uso de imagens de melhor resolução (banco B) não acarretou diferenças de desempenho estatisticamente significantes (p<0.05).
Abstract
Breast cancer can be seen as a worldwide problem, which is responsible for a substantial
number of deaths. Diagnosis through image analysis of the lesion is efficient, notably through
the use of machine learning techniques. The success achieved in recent years has grown due to the use of convolutional networks. This method is capable of successfully performing computer vision tasks, such as the automatic segmentation of lesions in the most varied modalities of biomedical images. This stage, segmentation, supports later stages of a computer-aided diagnostic imaging system. In this dissertation, the performance of convolutional neural networks with direct acyclic graph architectures in the automatic segmentation of breast lesions in ultrasound images is evaluated. Four convolutional network architectures were implemented and tested, three of them with direct acyclic graphs (DAG) and one sequential. For the development and evaluation of the proposals, two banks of breast ultrasound images (bank A and bank B) were used. Some striking differences between these banks are the size, resolution, and quality of the images. Thus, the images were previously processed and adapted (cropping and resize). The training of these networks with a stop for the number of seasons proved to be unstable. This problem was overcome with the proposal of a training aid function, which allowed us to obtain the best performance point of the model. The best architecture was chosen based on metrics already established in the literature, such as global accuracy and the Dice coefficient. The four architectures tested achieved similar results, with a global accuracy of more than 94% each. The t-student statistical significance test showed that for both databases the best network architecture in the validation was U-net, reaching over 99% of global accuracy for database B and over 96% for the database A. The network with the best performance could be tested, with other input data, and its performance remained the same. It was possible to conclude that the cropping procedure was not crucial for good segmentation accuracy. Besides, the statistical analysis of the performance metrics showed that the use of better resolution images (bank B) did not cause statistically significant performance differences (p <0.05).
Descrição
Termo controlado
Inteligência artificial - Aplicações médicas; Câncer - Diagnóstico; Mamas - Ultrassonografia
Objetivos de Desenvolvimento Sustentável (ODS)
Citação
AQUINO, Gustavo de Aquino e. Avaliando o desempenho de redes neurais convolucionais com arquiteturas de grafos acíclicos diretos e sequenciais na segmentação automática de lesões mamárias. 2022. 88 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Federal do Amazonas, Manaus (AM), 2020.
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Direitos e licenciamento
Acesso Aberto