• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Mémoire de Maîtrise
DOI
https://doi.org/10.11606/D.55.2024.tde-22032024-142104
Document
Auteur
Nom complet
Márcus Vinícius Lobo Costa
Adresse Mail
Unité de l'USP
Domain de Connaissance
Date de Soutenance
Editeur
São Carlos, 2024
Directeur
Jury
Traina, Agma Juci Machado (Président)
Batista Neto, João do Espírito Santo
Gutierrez, Marco Antonio
Watanabe, Carolina Yukari Veludo
Titre en portugais
Explorando Características Radiômicas Profundas em Modelos de Aprendizado Profundo por meio de Imagens Médicas de COVID-19
Mots-clés en portugais
Aprendizado profundo
Características profundas
Imagem médica
Radiômica
Radiômica profunda
Resumé en portugais
A análise de imagens médicas desempenha um papel importante na tomada de decisão de médicos especialistas. Especificamente na deteção da COVID-19, as abordagens de Aprendizado Profundo (AP) e a abordagem Radiômica obtiveram resultados promissores no decorrer dos últimos anos. No entanto, os resultados por meio de aprendizado profundo são difíceis de interpretar/visualizar e a abordagem radiômica elenca etapas sucessivas, como: a aquisição de imagens, o processamento de imagens, a segmentação, a extração de características e a análise. Neste contexto, este trabalho de Mestrado propõe a abordagem DEELE-Rad (Deep Learningbased Radiomics), que utiliza a integração de aprendizado profundo e a abordagem radiômica, com intuito de auxiliar na detecção de COVID-19. O DEELE-Rad utiliza modelos de aprendizado profundo para extrair 100, 128, 200, e 300 características radiômicas profundas relevantes para avaliar a COVID-19. Utilizando várias fontes de imagens, com 392 exames representativos de radiografia de tórax (raio-X). Desta maneira, evitam-se etapas sucessivas da radiômica utilizando aprendizado profundo e aplicando ajuste-fino nas redes da VGG-16, ResNet50V2 e a DenseNet201. O DEELE-Rad considera um conjunto de algoritmos de Aprendizado de Máquina (AM) para validar os resultados, fornecendo um comitê (ensemble) de classificadores para classificação de COVID-19. Com resultados experimentais do DEELE-Rad, foi possível observar que o DEELE-Rad obteve um melhor desempenho quando utilizou-se 300 características radiômicas profundas provenientes da DenseNet201, tornando-o mais preciso em até 8,8% comparada aos modelos de aprendizado profundo de ponta a ponta. O DEELE-Rad têm como proposta a análise e avaliação visual de características radiômicas profundas, a fim de apresentar interpretabilidade e explicabilidade tornando-o mais explicável. De maneira geral, o DEELE-Rad pode aumentar o desempenho da classificação binária em um cenário real. Por fim, destacamos que o DEELE-Rad pode ser adaptado para criar outras ferramentas de radiômica baseadas em aprendizado profundo e pode fornecer perspectivas de interpretabilidade e explicabilidade de radiômicas profundas por meio dos modelos de aprendizado profundo.
Titre en anglais
Exploiting Deep Radiomics Features in Deep Learning Models using COVID-19 Medical Images
Mots-clés en anglais
Deep features
Deep learning
Deep radiomics
Medical imaging
Radiomics
Resumé en anglais
Medical image analysis plays an essential role in aiding physicians in decision-making. Specifically in detecting COVID-19, deep learning (DL) and radiomics approaches have achieved promising results in recent years. However, deep learning results are hard to interpret/visualize, and the radiomic approach encompasses successive steps, such as image acquisition, image processing, segmentation, feature extraction, and analysis. In this context, this Masters thesis proposes the DEELE-Rad (Deep Learning-based Radiomics) approach, which integrates deep learning and the radiomic approaches, aiding in detecting COVID-19. DEELE-Rad uses deep learning models to extract 100, 128, 200, and 300 deep radiomic features relevant to assessing COVID-19. Multiple image sources, with 392 representative chest X-ray examinations. This way, successive steps of radiomics are avoided using deep learning and fine-tuning on the VGG-16, ResNet50V2, and DenseNet201 networks. The DEELE-Rad considers a set of Machine Learning (ML) algorithms to further validate our results, providing an ensemble learning model to detect COVID-19. With experimental results from DEELE-Rad, it was possible to observe that DEELERad performed better when using 300 deep radiomic features from DenseNet201, making it more accurate by up to 8.8% compared to end-to-end deep learning models. DEELE-Rad aims to visually analyze and evaluate deep radiomic features to make them more interpretable and explainable. Overall, DEELE-Rad can increase binary classification performance in a real scenario. Finally, we highlight that DEELE-Rad can be adapted to create other deep learning-based radiomics tools and can provide insights into the interpretability and explainability of deep radiomics through deep learning models.
 
AVERTISSEMENT - Regarde ce document est soumise à votre acceptation des conditions d'utilisation suivantes:
Ce document est uniquement à des fins privées pour la recherche et l'enseignement. Reproduction à des fins commerciales est interdite. Cette droits couvrent l'ensemble des données sur ce document ainsi que son contenu. Toute utilisation ou de copie de ce document, en totalité ou en partie, doit inclure le nom de l'auteur.
Date de Publication
2024-03-22
 
AVERTISSEMENT: Apprenez ce que sont des œvres dérivées cliquant ici.
Tous droits de la thèse/dissertation appartiennent aux auteurs
CeTI-SC/STI
Bibliothèque Numérique de Thèses et Mémoires de l'USP. Copyright © 2001-2024. Tous droits réservés.