Use este identificador para citar ou linkar para este item: http://hdl.handle.net/123456789/6932
Título: Analisando Redes Neurais HRNet para Segmentação de Rins e Tumores em Imagens de Tomografia Computadorizada
Título(s) alternativo(s): Analyzing HRNet Neural Networks for Segmentation of Kidneys and Tumors in Images Computed tomography
Autor(es): ESTEVE, Giovanna Pavani
Palavras-chave: Câncer de Rim;
Aprendizagem Profunda;
Tomografia Computadorizada;
Segmentação;
HRNet
Kidney Cancer;
Deep Learning;
Computed Tomography;
Segmentation;
HRNet
Data do documento: 13-Jul-2023
Editor: UFMA
Resumo: O câncer de rim está entre os 10 cânceres mais comuns em homens e mulheres e, segundo a GLOBOCAN (Global Cancer Observatory), apresenta uma taxa de mortalidade de 54% no Brasil. Um diagnóstico precoce é primordial para um melhor prognóstico dessa doença e os exames de imagem são fundamentais no diagnóstico deste tipo de tumor. A interpretação dessas imagens é um processo manual que depende na observação e experiência do profissional, portanto, técnicas computacionais de automatização desse processo se apresentam como uma alternativa para contribuir para diagnóstico precoce do câncer de rim. Nos últimos anos a rede neural convolucional HRNet vem recebendo atenção crescente na segmentação semântica devido ao seu alto desempenho. Portanto, o objetivo deste trabalho consiste em avaliar o desempenho de redes neurais profundas HRNet no contexto de segmentação de imagens de tomografia computadorizada de pacientes com tumores renais. Serão utilizadas técnicas de otimização para avaliar modelos de redes neurais convolucionais e o dataset consiste no conjunto de imagens do repositório KiTS19. O modelo proposto conseguiu alcançar Dice score de 91,4% e 70,3% para a segmentação do rim e tumor, respectivamente.
Descrição: Kidney cancer is among the 10 most common cancers in men and women, and according to with GLOBOCAN (Global Cancer Observatory), presents a mortality rate of 54% in Brazil. An early diagnosis is essential for a better prognosis of this disease and imaging tests are fundamental in the diagnosis of this type of tumor. The interpretation of these images is a manual process that depends on observation and experience of the professional, therefore, computational techniques for automating this process are presented as an alternative to contribute to early diagnosis of kidney cancer. In recent years, the convolutional neural network HRNet has been receiving growing attention on semantic segmentation due to its high performance. Therefore, The objective of this work is to evaluate the performance of deep neural networks HRNet in the context of segmentation of CT images of patients with renal tumors. Optimization techniques will be used to evaluate models of convolutional neural networks and the dataset consists of the set of images from the KiTS19 repository. The proposed model was able to achieve Dice score of 91.4% and 70.3% for kidney and tumor segmentation, respectively.
URI: http://hdl.handle.net/123456789/6932
Aparece nas coleções:TCCs de Graduação em Ciência da Computação do Campus do Bacanga

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Giovanna Pavani Esteve.pdfTCC de Graduação2,23 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.