Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/123456789/9440| Título: | Segmentação de Imagens Hepáticas Utilizando Redes Neurais Convolucionais com Arquitetura U-Net |
| Título(s) alternativo(s): | Liver Image Segmentation Using Convolutional Neural Networks with U-Net Architecture |
| Autor(es): | SILVA, Idemilson dos Anjos |
| Palavras-chave: | segmentação de imagens; redes neurais convolucionais; U-Net; imagens médicas image segmentation; convolutional neural networks; U-Net; medical images |
| Data do documento: | 26-Fev-2025 |
| Editor: | UFMA |
| Resumo: | Resumo: Segmentar uma imagem hepática é um grande desafio no que se refere ao processamento de imagens médicas, particularmente o objetivo é melhorar as técnicas automatizadas de análise. Portanto, este trabalho visa propor a segmentação hepática automática utilizando redes neurais convolucionais (CNNs) com arquitetura U-Net. Que abrangerá desde a obtenção, preparação do conjunto de dados até a otimização de hiperparâmetros e avaliação do modelo. Foi utilizado um conjunto de dados públicos contendo imagens hepáticas e suas respectivas máscaras binárias, aplicando técnicas de pré-processamento, como normalização e redimensionamento. A abordagem usando a arquitetura U-Net foi desenvolvida e treinada no Google Colab Pro juntamente com a otimização dos hiperparâmetros com Optuna. Os resultados demonstraram um notável desempenho com Dice Coefficient de 93% no conjunto de validação e 91% no conjunto de teste, demonstrando uma alta precisão na segmentação. A análise qualitativa também demonstrou a capacidade do modelo em segmentar regiões hepáticas com alta credibilidade. Assim, o estudo reforça a viabilidade da U-Net como uma ferramenta eficaz na segmentação de imagens médicas, contribuindo para a melhoria da análise clínica e avanços na medicina computacional. |
| Descrição: | Abstract: Segmenting hepatic images is a major challenge in medical image processing, particularly when aiming to improve automated analysis techniques. Therefore, this work proposes an automatic hepatic segmentation approach using convolutional neural networks (CNNs) with U-Net architecture. The study encompasses data acquisition, preprocessing, hyperparameter optimization, and model evaluation. A public dataset containing hepatic images and their respective binary masks was used, applying preprocessing techniques such as normalization and data augmentation. The U-Net-based approach was developed and trained on Google Colab Pro, with hyperparameter optimization conducted using Optuna. The results demonstrated excellent performance, achieving a Dice Coefficient of 93% on the validation set and 91% on the test set, indicating high segmentation accuracy. Qualitative analysis also confirmed the model’s ability to segment hepatic regions with high reliability. Thus, this study reinforces the feasibility of U-Net as an effective tool for medical image segmentation, contributing to improvements in clinical analysis and advancements in computational medicine. |
| URI: | http://hdl.handle.net/123456789/9440 |
| Aparece nas coleções: | TCCs de Graduação de Engenharia da Computação do Campus do Bacanga |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| Idemilson dos Anjos Silva.pdf | TCC de Graduação | 1,98 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.