Utilize este identificador para referenciar este registo:
https://hdl.handle.net/1822/69850
Título: | Study of Deep Neural Network architectures for medical image segmentation |
Outro(s) título(s): | Estudo de arquiteturas de Deep Neural Networks para segmentação de imagem médica |
Autor(es): | Lopes, Ana Patrícia Ribeiro |
Orientador(es): | Silva, Carlos A. |
Palavras-chave: | Fully convolutional network Recurrent neural network Image segmentation Brain tumor Retinal vessels Segmentação de imagem Tumor cerebral Vasos retinianos |
Data: | 2020 |
Resumo(s): | Medical image segmentation plays a crucial role in the medical field, since it allows performing quantitative
analyses used for screening, monitoring and planning the treatment of numerous pathologies.
Manual segmentation is time-consuming and prone to inter-rater variability. Thus, several automatic approaches
have been proposed for medical image segmentation and most are based on Deep Learning.
These approaches became specially relevant after the development of the Fully Convolutional Network. In
this method, the fully-connected layers were eliminated and upsampling layers were incorporated, allowing
one image to be segmented at once. Nowadays, the developed architectures are based on the FCN,
being U-Net one of the most popular.
The aim of this dissertation is to study Deep Learning architectures for medical image segmentation.
Two challenging and very distinct tasks were selected, namely, retinal vessel segmentation from retinal
fundus images and brain tumor segmentation from MRI images. The architectures studied in this work
are based on the U-Net, due to high performances obtained in multiple medical segmentation tasks.
The models developed for retinal vessel and brain tumor segmentation were tested in publicly available
databases, DRIVE and BRATS 2017, respectively. Several studies were performed for the first segmentation
task, namely, comparison of downsampling operations, replacement of a downsampling step with
dilated convolutions, incorporation of a RNN-based layer and application of test time data augmentation
techniques. In the second segmentation task, three modifications were evaluated, specifically, the incorporation
of long skip connections, the substitution of standard convolutions with dilated convolutions and
the replacement of a downsampling step with dilated convolutions.
Regarding retinal vessel segmentation, the final approach achieved accuracy, sensitivity and AUC of
0.9575, 0.7938 and 0.9804, respectively. This approach consists on a U-Net, containing one strided
convolution as downsampling step and dilated convolutions with dilation rate of 3, followed by a test
time data augmentation technique, performed by a ConvLSTM. Regarding brain tumor segmentation, the
proposed approach achieved Dice of 0.8944, 0.8051 and 0.7353 and HD95 of 6.79, 8.34 and 4.76 for
complete, core and enhanced regions, respectively. The final method consists on a DLA architecture
with a long skip connection and dilated convolutions with dilation rate of 2. For both tasks, the proposed
approach is competitive with state-of-the-art methods. A segmentação de imagens médicas desempenha um papel fundamental na área médica, pois permite realizar análises quantitativas usadas no rastreio, monitorização e planeamento do tratamento de inúmeras patologias. A segmentação manual é demorada e varia consoante o técnico. Assim, diversas abordagens automáticas têm sido propostas para a segmentação de imagens médicas e a maioria é baseada em Deep Learning. Estas abordagens tornaram-se especialmente relevantes após o desenvolvimento da Fully Convolutional Network. Neste método, as camadas totalmente ligadas foram eliminadas e foram incorporadas camadas de upsampling, permitindo que uma imagem seja segmentada de uma só vez. Atualmente, as arquiteturas desenvolvidas baseiam-se na FCN, sendo a U-Net uma das mais populares. O objetivo desta dissertação é estudar arquiteturas de Deep Learning para a segmentação de imagens médicas. Foram selecionadas duas tarefas desafiantes e muito distintas, a segmentação de vasos retinianos a partir de imagens do fundo da retina e a segmentação de tumores cerebrais a partir de imagens de MRI. As arquiteturas estudadas neste trabalho são baseadas na U-Net, devido às elevadas performances que esta obteve em diversas tarefas de segmentação médica. Os modelos desenvolvidos para segmentação de vasos retinianos e de tumores cerebrais foram testados em bases de dados públicas, DRIVE and BRATS 2017, respetivamente. Vários estudos foram realizados para a primeira tarefa, nomeadamente, comparação de operações de downsampling, substituição de uma camada de downsampling por convoluções dilatadas, incorporação de uma camada composta por RNNs e aplicação de técnicas de aumento de dados na fase de teste. Na segunda tarefa, três modificações foram avaliadas, a incorporação de long skip connections, a substituição de convoluções standard por convoluções dilatadas e a substituição de uma camada de downsampling por convoluções dilatadas. Quanto à segmentação de vasos retinianos, a abordagem final obteve accuracy, sensibilidade e AUC de 0.9575, 0.7938 e 0.9804, respetivamente. Esta abordagem consiste numa U-Net, que contém uma convolução strided como operação de downsampling e convoluções dilatadas com dilation rate de 3, seguida de uma técnica de aumento de dados em fase de teste, executada por uma ConvLSTM. Em relação à segmentação de tumores cerebrais, a bordagem proposta obteve Dice de 0.8944, 0.8051 e 0.7353 e HD95 de 6.79, 8.34 e 4.76 para o tumor completo, região central e região contrastante, respetivamente. O método final consiste numa arquitetura DLA com uma long skip connection e convoluções dilatadas com dilation rate de 2. As duas abordagens são competitivas com os métodos do estado da arte. |
Tipo: | Dissertação de mestrado |
Descrição: | Dissertação de mestrado integrado em Engenharia Biomédica (área de especialização em Eletrónica Médica) |
URI: | https://hdl.handle.net/1822/69850 |
Acesso: | Acesso aberto |
Aparece nas coleções: | BUM - Dissertações de Mestrado DEI - Dissertações de mestrado |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Dissertação Ana Patrícia Ribeiro Lopes.pdf | 3,95 MB | Adobe PDF | Ver/Abrir |
Este trabalho está licenciado sob uma Licença Creative Commons