Show simple item record

dc.contributor.advisorSilva, Lucianopt_BR
dc.contributor.authorPrado, Pedro Henrique Ramospt_BR
dc.contributor.otherUniversidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informáticapt_BR
dc.date.accessioned2018-10-29T12:57:26Z
dc.date.available2018-10-29T12:57:26Z
dc.date.issued2018pt_BR
dc.identifier.urihttps://hdl.handle.net/1884/57026
dc.descriptionOrientador: Prof. Dr. Luciano Silvapt_BR
dc.descriptionDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa : Curitiba, 09/03/2018pt_BR
dc.descriptionInclui referências: p.56-63pt_BR
dc.description.abstractResumo: Este trabalho apresenta um estudo sobre o processamento de imagens cardíacas multimodais com aquisição em equipamentos e datas distintos para geração de imagens híbridas. Foi desenvolvida uma abordagem não supervisionada, baseada em aprendizagem profunda computacional, para a detecção e reorientação do ventrículo esquerdo (VE) do coração em imagens anatômicas e funcionais das técnicas SPECT e CT. Esta abordagem permite a geração precisa dos eixos curto, longo vertical e longo horizontal do VE, em ambas as modalidades, fundamentais no auxílio do diagnóstico médico. A abordagem proposta se mostrou promissora quando comparada com métodos estado da arte, atingindo 99% de acurácia na detecção e 100% na reorientação do VE usando uma base de imagens com diferentes casos clínicos, anotadas por médicos especialistas da áreas de medicina nuclear e radiologia. Dentro do nosso conhecimento, este é o primeiro trabalho que utiliza métodos deep learning para detecção do ápice e base do ventrículo esquerdo, com consequente reorientação e geração de imagens médicas híbridas, utilizando cortes transaxiais das técnicas de imagem médica, SPECT e CT. Resultados experimentais na geração de imagens híbridas se mostram efetivos devido a precisão obtida pela abordagem proposta. Palavras-chave: detecçãoo segmentos cardíacos; aprendizagem de máquina; images médicas híbridas; fusão multimodal atemporal.pt_BR
dc.description.abstractAbstract: We present a study on the processing of multimodal cardiac images with equipment acquisition and different dates for hybrid image generation. An unsupervised approach, based on deep computational learning, was developed for the detection and reorientation of the left ventricle (LV) of the heart in anatomical and functional images of the techniques: SPECT and CT. This approach allows the precise generation of the short, long vertical and long horizontal axes of the LV, in both modalities, fundamental in the aid of the medical diagnosis. The proposed approach was promising when compared to state-of-the art methods, reaching 99% accuracy in detection and 100% in LV reorientation using a database of different clinical cases, noted by specialist physicians in the areas of nuclear medicine and radiology. As far as we know, this is the first work that uses deep learning methods to detect the apex and base of the left ventricle, with consequent reorientation and generation of hybrid medical images, using transaxial sections of the medical imaging techniques, SPECT and CT. Experimental results in the generation of hybrid images are shown to be effective due to the precision obtained by the proposed approach. Keywords: cardiac segments detection; machine learning; hybrid medical images; timeless multimodal fusion.pt_BR
dc.format.extent63 p. : il. (algumas color.).pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.languagePortuguêspt_BR
dc.subjectCiência da Computaçãopt_BR
dc.subjectImagens digitaispt_BR
dc.subjectVisão por computadorpt_BR
dc.subjectDoença arterial periféricapt_BR
dc.subjectTesespt_BR
dc.titleDetecção do ventrículo esquerdo do coração para geração de imagens híbridas multimodais com aquisição atemporalpt_BR
dc.typeDissertação Digitalpt_BR


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record