• Entrar
    Ver item 
    •   Página inicial
    • BIBLIOTECA DIGITAL: Trabalhos de Especialização
    • Ciências Exatas e da Terra
    • Inteligência Artificial Aplicada
    • Ver item
    •   Página inicial
    • BIBLIOTECA DIGITAL: Trabalhos de Especialização
    • Ciências Exatas e da Terra
    • Inteligência Artificial Aplicada
    • Ver item
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    Aplicando inteligência artificial em imagens de ressonância magnética : um estudo de segmentação de imagens para o diagnóstico de câncer de próstata com o modelo u-net

    Thumbnail
    Visualizar/Abrir
    R - E - LUIS GUSTAVO DE MATOS DOS SANTOS_ok.pdf (3.022Mb)
    Data
    2024
    Autor
    Santos, Luis Gustavo de Matos dos
    Metadata
    Mostrar registro completo
    Resumo
    Resumo: A ressonância magnética é uma ferramenta essencial no diagnóstico do câncer de próstata, fornecendo imagens detalhadas da glândula prostática e auxiliando na detecção de lesões. A segmentação de imagens desempenha um papel crucial na medicina, permitindo a identificação precisa de regiões suspeitas. Este estudo técnico investiga a aplicação de uma arquitetura UNet aprimorada com unidades residuais para a segmentação automática de lesões prostáticas em imagens de ressonância magnética. Utilizando dados do desafio PI-CAI, o modelo U-Net foi treinado em um conjunto de dados abrangente, combinando anotações de especialistas humanos e anotações geradas por algoritmos de IA, e avaliado para diferentes batch sizes (8, 16 e 32). Os resultados mostram que o batch size de 16 proporcionou o melhor desempenho, com uma AUROC média de 0,704, AP média de 0,330 e ranking médio de 0,517, destacando o equilíbrio entre estabilidade de treinamento e capacidade de generalização. No entanto, a variabilidade observada nas métricas de desempenho (AUROC s = 0,111, AP s = 0,137, ranking s = 0,109) ressalta os desafios inerentes à segmentação de imagens médicas, como a heterogeneidade dos dados e possíveis subjetividades nas anotações
     
    Abstract: Magnetic resonance imaging (MRI) is an essential tool in diagnosing prostate cancer, providing detailed images of the prostate gland and aiding in lesion detection. Image segmentation plays a crucial role in medicine, allowing precise identification of suspicious regions. This technical study investigates the application of an improved U-Net architecture with residual units for automatic segmentation of prostate lesions in MRI images. Using data from the PI-CAI challenge, the U-Net model was trained on a comprehensive dataset, combining annotations from human experts and annotations generated by AI algorithms, and evaluated for different batch sizes (8, 16, and 32). The results show that a batch size of 16 provided the best performance, with an average AUROC of 0.704, average AP of 0.330, and average ranking of 0.517, highlighting the balance between training stability and generalization capability. However, the variability observed in performance metrics (AUROC s = 0.111, AP s = 0.137, ranking s = 0.109) underscores the inherent challenges of medical image segmentation, such as data heterogeneity and possible subjectivity in annotations
     
    URI
    https://hdl.handle.net/1884/97456
    Collections
    • Inteligência Artificial Aplicada [49]

    DSpace software copyright © 2002-2022  LYRASIS
    Entre em contato | Deixe sua opinião
    Theme by 
    Atmire NV
     

     

    Navegar

    Todo o repositórioComunidades e ColeçõesPor data do documentoAutoresTítulosAssuntosTipoEsta coleçãoPor data do documentoAutoresTítulosAssuntosTipo

    Minha conta

    EntrarCadastro

    Estatística

    Ver as estatísticas de uso

    DSpace software copyright © 2002-2022  LYRASIS
    Entre em contato | Deixe sua opinião
    Theme by 
    Atmire NV