Search

Submitted by Maria Aparecida (cidazen@gmail.com) on 2021-11-27T15:31:44Z No. of bitstreams: 1 A Imprimir ...C-Users-User-Documents-Tese_Jefferson_.pdf: 24721449 bytes, checksum: 56b53243921cebc54b34cbddb6a59a3f (MD5) Made available in DSpace on 2021-11-27T15:31:44Z (GMT). No. of bitstreams: 1 A Imprimir ...C-Users-User-Documents-Tese_Jefferson_.pdf: 24721449 bytes, checksum: 56b53243921cebc54b34cbddb6a59a3f (MD5) Previous issue date: 2021-08-20 CAPES This thesis presents two fully automatic methods for diagnosing age-related macular degeneration (AMD) and diabetic macular edema (DME) through the use of image processing and pattern recognition techniques applied to optical coherence tomography (OCT) examinations. Age-related macular degeneration and diabetic macular edema are eye diseases that can cause visual impairment. Macular degeneration mainly affects older adults over 50 years of age, whereas macular edema is a consequence of diabetic retinopathy, affecting people with diabetes. Optical coherence tomography is one of the main tests for detecting and monitoring eye diseases. The evaluation of alterations caused by AMD and DME from OCT images is done by evaluating successive sectional cuts in search of morphological alterations. The use of CAD (Computer-Aided Detection) and CADx (Computer-Aided Diagnosis) systems has contributed to increasing the chances of correct detection and diagnosis, helping specialists make decisions about the treatment of these illnesses. Thus, a method was developed that uses segmentation of the edges of the retinal layers in OCT images made with two deep neural networks, U-Net and DexiNed, to delimit the edges. The classification uses a deep residual neural network. The second method for the automatic detection of AMD and DME uses a Capsule Network architecture with layers based on the Local Binary Pattern. The proposed segmentation method proved to be promising, reaching an overall mean absolute error of 0.49 pixels for the inner limiting membrane (ILM), 0.57 for the retinal pigment epithelium (RPE), and 0.66 for Bruch’s membrane (BM). The classification methods reached, respectively, an accuracy of 99% and 98% among multiple classes (Drusen, Choroidal Neovascularization, DME, and Normal). Esta tese apresenta dois métodos completamente automáticos para diagnóstico de degeneração macular relacionada à idade (DMRI) e edema macular diabético (EMD), por meio da utilização de técnicas de processamento de imagens e reconhecimento de padrões aplicadas a exames de tomografia de coerência óptica (OCT). A degeneração macular relacionada a idade e o edema macular diabético são doenças oculares que podem causar deficiência visual. A degeneração macular acomete principalmente idosos com mais de 50 anos, já o edema macular é uma consequência da retinopatia diabética que por sua vez acomete pessoas portadoras do diabetes. A tomografia de coerência óptica é um dos principais exames para a detecção e acompanhamento de doenças oculares. A avaliação das alterações causadas por DMRI e EMD a partir de imagens de OCT se dá através da avaliação dos sucessivos cortes seccionais na busca por alterações morfológicas. A utilização de sistemas CAD (Computer-Aided Detection) e CADx (Computer-Aided Diagnosis) tem contribuído para aumentar as chances de detecção e diagnósticos corretos, auxiliando os especialistas na tomada de decisões sobre o tratamento dessas doenças. Assim, desenvolveu-se um método que utiliza a segmentação das bordas das camadas da retina em imagens de OCT feita com duas redes neurais profundas, U-Net e DexiNed, para delimitar as bordas, e a classificação utiliza uma rede neural profunda residual. O segundo método desenvolvido para a detecção automática da DMRI e do EMD utiliza uma arquitetura Capsule Network com camadas baseadas no Local Binary Pattern. O método proposto de segmentação mostrou-se promissor, alcançando um erro médio absoluto geral de 0, 49 pixels para a membrana limitante interna (MLI), 0, 57 para o epitélio pigmentar retiniano (EPR) e 0, 66 para a membrana de Bruch (MB). Os métodos de classificação atingiram respectivamente uma acurácia de 99% e 98% entre múltiplas classes (Drusas, Neovascularização Coroidal, EMD e Normal).

Cancer is a disease that occurs when the organism’s cells suddenly begin to grow disorderly and over time invading tissues and organs, spreading (metastasizing) to other regions of the body. Among the more than 100 cancers, lung cancer is just the one that causes more deaths in the world, wherein every 5 deaths, 1 is caused by this cancer. However, if the diagnosis is made at the beginning of the disease, the 1-year survival rates are approximately of 15-19%. The main manifestation of lung cancer is the initiation of the pulmonary nodule, which hás larger diameters between 3mm and 30mm. The diagnosis of the pulmonary nodule is performed mainly through Computed Tomography (CT) images, however, performing this diagnosis still represents a complex and challenging task for the specialists, since the nodules can be located in complex structures of the lung and the number of exams or images that come to be examined is increasing. Thus, it is essential to integrate a tool of Computer Diagnostic Assistance (CADx) in the interpretation of medical images, which aims to act as a second opinion to specialists through a suggestion provided by a computational model. There are a number of papers proposed in the literature to better assist specialists in pulmonary nodule diagnosis, whether using radiomics attributes associated with a machine learning technique or using deep learning techniques, which have called the attention both in the scientific community as well as in industry. More specifically, Convolutional Neural Networks (CNNs) has become a trend for images. However, there is still a search for a computational model that improves the performance of CADx systems. In this context, the objective of this work was to research and develop a computational model to classify lung nodules in benign or malignant using a CNN together with a hyperparametric optimization technique. The model obtained the following results: sensitivity of 95%, specificity of 100%, an accuracy of 85% and under the ROC curve (AUC) of 0.93 in a set of medical images composed of solid pulmonary nodules of CT with a diameter between 3mm and 30mm. The results showed the importance of analyzing the parenchyma region in a very close proportion of the nodules to achieve a higher performance in the classification of the pulmonary nodules, and also that the analysis of the isolated parenchyma leads to better results than analyzing only the nodule or the nodule with the parenchyma. CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior O câncer é uma doença em que as células do organismo de repente começam a ter um crescimento desordenado e que com o tempo passam a invadir os tecidos e órgãos, espalhando-se (metástase) para outras regiões do organismo. Dentre os mais de 100 tipos de câncer, o câncer de pulmão já é o que mais mata em todo o mundo, onde em cada 5 mortes, 1 é causada por este câncer. Contudo, se o diagnóstico for realizado no início da doença as taxas de sobrevivência de 1 ano são de aproximadamente de 15-19%. A principal manifestação do câncer de pulmão se inicia através do nódulo pulmonar, que apresentam diâmetros maiores entre 3mm e 30mm. O diagnóstico do nódulo pulmonar é realizado principalmente através de imagens de Tomografia Computadorizada (TC), porém, realizar este diagnóstico ainda representa uma tarefa complexa e desafiadora para os especialistas, pois os nódulos podem estar localizados em estruturas complexas do pulmão e a quantidade de exames ou imagens que chegam para serem examinados é cada vez maior. Assim, é essencial a integração de uma ferramenta de Auxílio ao Diagnóstico por Computador (CADx) à interpretação de imagens médicas, que tem como objetivo agir como uma segunda opinião aos especialistas através de uma sugestão fornecida por um modelo computacional. Há vários trabalhos propostos na literatura para auxiliar melhor os especialistas no diagnóstico do nódulo pulmonar, seja utilizando atributos radiomics aliado a uma técnica de aprendizagem de máquina, seja utilizando técnicas de aprendizagem profunda, que têm chamado a atenção tanto na comunidade científica como também na indústria. Mais especificamente, Redes Neurais Convolucionais (RNCs) têm se tornado uma tendência para classificar imagens. Porém, ainda existe uma busca por um modelo computacional que melhore o desempenho de sistemas CADx. Nesse contexto, o objetivo deste trabalho foi pesquisar e desenvolver um modelo computacional para classificar nódulos pulmonares em benignos ou malignos utilizando uma RNC junto com uma técnica de otimização hiperparamétrica. O modelo conseguiu os seguintes resultados: sensibilidade de 95%, especificidade de 100%, acurácia de 85% e área sob a curva ROC (AUC) de 0,93, em um conjunto de imagens médicas composta de nódulos pulmonares sólidos de TC com diâmetro entre 3mm e 30mm. Os resultados mostraram a importância de se analisar a região do parênquima em uma proporção bem próxima dos nódulos para alcançar uma performance maior na classificação dos nódulos pulmonares, e também, que a análise do parênquima isolado leva a resultados melhores do que analisar apenas o nódulo ou o nódulo com o parênquima.

Submitted by JOSIANE SANTOS DE OLIVEIRA (josianeso) on 2017-06-14T14:08:02Z No. of bitstreams: 1 Uilian Kenedi Lopes_.pdf: 1606525 bytes, checksum: 6cf55b065e939fca4ecdc6564199c594 (MD5) Made available in DSpace on 2017-06-14T14:08:02Z (GMT). No. of bitstreams: 1 Uilian Kenedi Lopes_.pdf: 1606525 bytes, checksum: 6cf55b065e939fca4ecdc6564199c594 (MD5) Previous issue date: 2017-03-24 Nenhuma De acordo com a Organização Mundial de Saúde, a tuberculose (juntamente com a AIDS) é a doença infecciosa que mais causa mortes no mundo. Estima-se que em 2014 cerca de 1,5 milhão de pessoas infectadas com o Mycobacterium Tuberculosis morreram, a maior parte delas nos países em desenvolvimento. Muitas destas mortes poderiam ter sido evitadas caso o diagnóstico ocorresse nas fases iniciais da doença, mas infelizmente as técnicas mais avançadas de diagnóstico ainda têm custo proibitivo para adoção em massa nos países em desenvolvimento. Uma das técnicas mais populares de diagnóstico da tuberculose ainda é através da radiografia torácica frontal, entretanto este método tem seu impacto reduzido devido à necessidade de radiologistas treinados analisarem cada radiografia individualmente. Por outro lado, já existem pesquisas buscando automatizar o diagnóstico através da aplicação de técnicas computacionais às imagens radiográficas pulmonares, eliminando assim a necessidade da análise individual de cada radiografia e diminuindo grandemente o custo. Além disso, aprimoramentos recentes nas Redes Neurais Convolucionais, relacionados também à área de Deep Learning, obtiveram grande sucesso para classificação de imagens nos mais diversos domínios, porém sua aplicação no diagnóstico da tuberculose ainda é limitada. Assim o foco deste trabalho é produzir uma investigação que promova avanços nas pesquisas, trazendo três abordagens de aplicação de Redes Neurais Convolucionais com objetivo de detectar a doença. As três propostas apresentadas neste trabalho são implementadas e comparadas com a literatura corrente. Os resultados obtidos até o momento mostraram-se sempre competitivos com trabalhos já publicados na área, obtendo resultados superiores na maior parte dos casos, demonstrando assim o grande potencial das Redes Convolucionais como extratoras de características de imagens médicas. According to the World Health Organization, tuberculosis (along with AIDS) is the most deadly infectious disease in the world. In 2014 it is estimated that 1.5 million people infected by the Mycobacterium Tuberculosis died, most of them in developing countries. Many of those deaths could have been prevented if the disease was detected at an earlier stage, but unfortunately the most advanced diagnosis methods are cost prohibitive for mass adoption in developing countries. One of the most popular tuberculosis diagnosis methods still is by analysis of frontal thoracic radiographies, however the impact of this method is diminished by the need for individual analysis of each radiography by properly trained radiologists. On the other hand, there is significant research on automating diagnosis by the application of computational techniques to lung radiographic images, eliminating the need for individual analysis of the radiographies and greatly diminishing the cost. In addition to that, recent improvements on Convolutional Neural Networks, which are related to Deep Learning, accomplished excellent results classifying images on diverse domains, but it’s application for tuberculosis diagnosis still is limited. Thus, the focus of this work is to produce an investigation that will advance the research in the area, proposing three approaches to the application of Convolutional Neural Networks to detect the disease. The three proposals presented in this works are implemented and compared to the current literature. The obtained results are competitive with works published in the area, achieving superior results in most cases, thus demonstrating the great potential of Convolutional Networks as medical image feature extractors.

Avaliação de classificadores na classificação de radiografias de tórax para o diagnóstico de pneumonia infantil Este trabalho dá continuidade ao Sistema de Auxílio a Diagnóstico chamado de PneumoCAD para a detecção de pneumonia infantil por meio de imagens radiográficas, com o objetivo de aprimorar a acurácia, robustez e testar as características extraídas anteriormente. Nós implementamos cinco classificadores contemporâneos, sendo estes: Naïve Bayes, K-Nearest Neighbor (KNN), Support Vector Machines (SVM), Multi-Layer Perceptron (MLP) e Árvore de decisão. Combinamos os classificadores com três algoritmos de redução de dimensionalidade: o wrapper Sequential Forward Elimination (SFE) e dois filtros: Principal Component Analysis (PCA) e Kernel Principal Component Analysis (KPCA). Os resultados atuais mostram que o Naïve Bayes combinado com o KPCA produzem o melhor resultado (96% de acurácia). Também confirmando a eficiência das características. This work extends a Computer-Aided Diagnosis system called PneumoCAD for detecting pneumonia in infants using radiographic images, with the aim of improving the system’s accuracy, robustness and test the features previously extracted. We implement and compare five contemporary machine learning classifiers, namely: Naïve Bayes, K-Nearest Neighbor (KNN), Support Vector Machines (SVM), Multi-Layer Perceptron (MLP) and Decision Tree, combined with three dimensionality reduction algorithms: the feature selection wrapper Sequential Forward Elimination (SFE), and two feature filter algotithms: Principal Component Analysis (PCA) and Kernel Principal Component Analysis (KPCA). Current Results of demonstrate that the Naïve Bayes classifier combined with KPCA produces the best overall results. Also confirming the efficiency os features.

As part of a Computer-Aided Diagnosis system, a method to detect the occupancy of the costal diaphragmatic angles was developed. This paper presents the details of implementation and the results of tests on a chest radiographs database with 130 images. The results are good for the occupancy detection and not so good for the segmentation of the CDAs. Further developments are proposed., Foi desenvolvido um método de detecção de ocupação dos seios costo-diafragmáticos como parte dum sistema de auxílio ao diagnóstico. Este artigo apresenta os detalhes de implementação e os resultados de testes efectuados numa base de dados de 130 imagens de micro radiografias ao tórax. Os resultados são bons para a detecção de ocupação mas são mais fracos para a fase de segmentação dos seios costo-diafragmáticos. São propostos novos desenvolvimentos.

OBJETIVO: Caracterizar lesões intersticiais em radiografias frontais de tórax, com base na análise de atributos estatísticos de textura, os quais permitem detectar sinais de anormalidades com natureza difusa. MATERIAIS E MÉTODOS: O esquema começa com a segmentação semi-automática dos campos pulmonares, sendo o contorno externo marcado manualmente, com posterior divisão automática de cada pulmão em seis regiões. O banco de imagens utilizado neste trabalho é composto por 482 regiões obtidas de exames contendo lesões e 324 regiões obtidas de exames normais. Os atributos de textura são extraídos automaticamente de cada uma dessas regiões e uma seleção das melhores combinações de atributos é feita através da distância Jeffries-Matusita. A classificação das regiões em normal ou suspeita é feita pela comparação com os k vizinhos mais próximos e o treinamento do classificador é baseado na técnica de treino e teste "half-half" e correlação cruzada. RESULTADOS: Os resultados obtidos foram analisados através do valor da área sob a curva ROC ("receiver operating characteristic"), a qual indica um sistema perfeito para uma área igual a 1. Os resultados forneceram uma área sob a curva ROC (A Z) igual a 0,887, com valores de sensibilidade igual a 0,804 e especificidade igual a 0,793. CONCLUSÃO: Os resultados indicam que o sistema de caracterização baseado em atributos de textura possui bom potencial para o auxílio ao diagnóstico de lesões intersticiais de pulmão. OBJECTIVE: To characterize interstitial lesions in anterior-posterior chest X-rays based on the analysis of textural statistical features that allow the detection of abnormalities with diffuse pattern. MATERIALS AND METHODS: Image analysis begins with the semiautomatic segmentation of the lungs, marking the external contour of the lung manually followed by an automatic division of each lung in six regions. The data base of images used in this study consisted of 482 regions obtained from examinations in which lesions were detected and 324 regions from normal examinations. Textural features were automatically extracted from each area and the selection of the best set of features was made based on the Jeffries-Matusita distance. The regions were classified as normal or suspected using the k nearest-neighbor method and half-half, and cross-correlation methodologies were used for training the classifier. RESULTS: Results were assessed based on the value of the area under the ROC (receiver operating characteristic) curve that indicates an ideal response for an area equal to 1. The results showed an area under the ROC curve (A Z) of 0.887, sensitivity of 0.804, and specificity of 0.793. CONCLUSION: These results indicate that the implemented system has a good potential for computer-aided diagnosis of interstitial lung lesions.

Vários desenvolvimentos tecnológicos estão convergindo de forma a aumentar a influência da área de imagens nas pesquisas biomédicas e na medicina clínica. Muitos pesquisadores têm trabalhado no desenvolvimento de sistemas computadorizados para detecção automatizada e quantificação de anormalidades em imagens radiológicas. Estes sistemas são dedicados ao diagnóstico auxiliado por computador. Este artigo discute os conceitos básicos relacionados ao diagnóstico auxiliado por computador e apresenta uma revisão bibliográfica sobre o assunto. Several technological developments are contributing to increase the use of imaging techniques in biomedical research and clinical medicine. Many investigators have attempted to develop computerized routines for automated detection and quantitative analysis of abnormalities in radiological images. These routines have been referred to as computer-aided diagnosis. In this paper we discuss the basic concepts of computer-aided diagnosis and review the literature.