00 CAMPUS ARISTÓTELES CALAZANS SIMÕES (CAMPUS A. C. SIMÕES) IC - INSTITUTO DE COMPUTAÇÃO Dissertações e Teses defendidas na UFAL - IC
Use este identificador para citar ou linkar para este item: http://www.repositorio.ufal.br/jspui/handle/123456789/7852
Tipo: Dissertação
Título: PREDCGAN: uma abordagem para geração de nódulos pulmonares sintéticos GAN usando pré-treinamento
Título(s) alternativo(s): PREDCGAN: na approach to synthetic lung nodule generation with the use of pre-training
Autor(es): Anjos, Bruno Henrique Lira dos
Primeiro Orientador: Oliveira, Marcelo Costa
metadata.dc.contributor.referee1: Vieira, Thales Miranda de Almeida
metadata.dc.contributor.referee2: Marques, Paulo Mazzoncini de Azevedo
Resumo: O diagnóstico de câncer de pulmão usando imagens de tomografia computadorizada (CT) é um trabalho complexo e desafiador, mesmo para radiologistas experientes. Para mitigar essa dificuldade, Sistemas de Diagnóstico Auxiliado por Computador (CAD) são desenvolvidos para auxiliar a performance dos especialistas. Uma das principais áreas utilizadas no CAD é a Aprendizagem Profunda (DL). Entretanto, por ser um processo de difícil validação e depender de um profissional bem treinado, a construção de grandes bancos de dados de imagens médicas estruturadas, bem validadas e abrangentes é um dos principais desafios das aplicações de DL no CAD em imagens médicas. s rede adversária generativa (GAN) consiste em um modelo para gerar dados probabilísticos heterogêneos que se apresenta como uma solução adequada para suprir o pequeno número de exames patológicos que compõem os mais diversos bancos de imagens médicas. Entretanto, os treinamentos das GAN para nódulos pulmonares não utilizam de informações condicionais para geração das imagens sintéticas. Assim, neste trabalho propomos a utilização da transferência de conhecimento utilizando um pré-treinamento da GAN para resultar em nódulos pulmonares sintéticos mais eficientes para aumento de base. Para isso, foi realizado o treinamento de uma Deep Convolutional GAN (DCGAN) em dois momentos, o primeiro para geração de nódulos segmentados e em um segundo momento foi feito um ajuste fino para gerar nódulos com as estruturas adjacentes. Através do uso das imagens geradas pela nossa proposta como aumento de base e de uma comparação com outras técnicas de aumento de base, obtivemos um aumento na AUC de 0.77% em relação ao aumento de base clássico e quando utilizada nossa proposta em conjunto com aumento de base clássico temos um aumento na AUC de 2.06% em relação ao individual do aumento de base clássico.
Abstract: The diagnosis of lung cancer using computed tomography (CT) images is a complex and challenging job, even for experienced radiologists. To mitigate this difficulty, Computer Aided Diagnostic (CAD) systems are developed to assist the performance of specialists. One of the main areas used in CAD is Deep Learning (DL). However, because it is a difficult process to validate and depends on a well-trained professional, the construction of large databases of structured, well-validated and comprehensive medical images is one of the main challenges of DL applications in CAD in medical images. The generative adversarial networks (GAN) consist of a model to generate heterogeneous probabilistic data that presents itself as an adequate solution to supply the small number of pathological exams that make up the most diverse medical image banks. However, GAN training for pulmonary nodules does not use conditional information to generate synthetic images. Thus, in this work it is proposed to use knowledge transfer applied through GAN pre-training to result in more efficient synthetic pulmonary nodules for base increase. For this, the training of a textit Deep Convolutional GAN (DCGAN) was carried out in two moments, the first to generate segmented nodules and in a second moment a fine adjustment was made to generate nodules with the adjacent structures. Through the use of the images generated by our proposal as a base increase and a comparison with other techniques of base increase, we obtained an increase in AUC of 0.77 % in relation to the increase of classic base and when used our proposal in conjunction with increase of classic base we have an increase in AUC of 2.06 % in relation to the individual of the increase of classic base.
Palavras-chave: Generative Adversarial Network
PREDCGAN
Pré-treinamento
Neoplasias pulmonares
Pre-training
Lung cancer
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Idioma: por
País: Brasil
Editor: Universidade Federal de Alagoas
Sigla da Instituição: UFAL
metadata.dc.publisher.program: Programa de Pós-Graduação em Informática
Citação: ANJOS, Bruno Henrique Lira dos. PREDCGAN: uma abordagem para geração de nódulos pulmonares sintéticos GAN usando pré-treinamento. 2021. 37 f. Dissertação (Mestrado em Informática) - Instituto de Computação, Programa de Pós Graduação em Informática, Universidade Federal de Alagoas, Maceió, 2020.
Tipo de Acesso: Acesso Aberto
URI: http://www.repositorio.ufal.br/jspui/handle/123456789/7852
Data do documento: 27-nov-2020
Aparece nas coleções:Dissertações e Teses defendidas na UFAL - IC

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
PREDCGAN - uma abordagem para geração de nódulos pulmonares sintéticos GAN usando pré-treinamento.pdf2.32 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.