| Summary: | Submitted by Erika Maciel (erika.sh@hotmail.com) on 2017-06-22T15:29:09Z
No. of bitstreams: 2
Dissertação_Liset.pdf: 4433156 bytes, checksum: e6e4af788c528efbb8938587f74f4d6d (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) === Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2017-06-23T13:09:13Z (GMT) No. of bitstreams: 2
Dissertação_Liset.pdf: 4433156 bytes, checksum: e6e4af788c528efbb8938587f74f4d6d (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) === Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2017-06-23T13:09:35Z (GMT) No. of bitstreams: 2
Dissertação_Liset.pdf: 4433156 bytes, checksum: e6e4af788c528efbb8938587f74f4d6d (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) === Made available in DSpace on 2017-06-23T13:09:36Z (GMT). No. of bitstreams: 2
Dissertação_Liset.pdf: 4433156 bytes, checksum: e6e4af788c528efbb8938587f74f4d6d (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
Previous issue date: 2017-04-17 === CAPES === Cardiovascular diseases are the leading cause of death worldwide. Noninvasive cardiac imaging technologies, such as magnetic resonance, are essential tools to support the diagnosis and monitoring of various pathologies. The previous step for the extraction of cardiac function indicators is the endocardium and epicardium contours segmentation in the left ventricular cavity. This process often is performed manually by the specialists, which requires a lot of time and effort, and is prone to intra and inter-observer errors. This dissertation develops an automatic methodology based on a fully convolutional neural network to segment the myocardium in short axis cardiac magnetic resonance images. The database used is divided into 10 sets for training and testing purposes. Six optimization methods are evaluated: stochastic gradient descend, Nesterov accelerated gradient, RMSProp, Adam, AdaDelta and AdaGrad. The best results were achieved with the stochastic gradient descend and RMSProp. With the former, a Dice coefficient of 0.9055 and 0.9146, Hausdorff distance of 10.5244 and 10.7240, sensitivity of 0.9263 and 0.9135, specificity of 0.9985 and 0.9986 were obtained for endocardium and epicardium, respectively. With RMSProp, a Dice coefficient of 0.9098 and 0.9167, Hausdorff distance of 9.0421 and 9.7663, sensitivity of 0.9200 and 0.9116, specificity of 0.9988 and 0.9987 were obtained for endocardium and epicardium, respectively. === As doenças cardiovasculares são a principal causa de morte a nível mundial. As tecnologias não invasivas de imageamento cardíaco, tais como a ressonância magnética, são ferramentas essenciais de apoio ao diagnóstico e monitoramento de diversas patologias. Um passo fundamental para a extração dos indicadores da função cardíaca é a segmentação dos contornos do endocárdio e do epicárdio na cavidade ventricular esquerda. Este processo, a maioria das vezes, é realizado manualmente pelos especialistas, o qual exige muito tempo e esforço, além de que é propenso a erros intra e inter-observadores. Esta dissertação desenvolve uma metodologia automática baseada em uma rede neural totalmente convolutiva para segmentar o miocárdio em imagens do eixo curto de ressonância magnética cardíaca. O banco de imagens utilizado é dividido em 10 conjuntos para propósitos de treinamento e teste. São avaliados seis métodos de otimização, a saber, o gradiente descendente estocástico, o gradiente acelerado de Nesterov, o RMSProp, o Adam, o AdaDelta e o AdaGrad. Os melhores resultados foram alcançados com o gradiente descendente estocástico e com o RMSProp. Com o gradiente descendente estocástico foi obtido um coeficiente Dice de 0,9055 e 0,9146, distância de Hausdorff de 10,5244 e 10,7240, sensibilidade de 0,9263 e 0,9135, especificidade de 0,9985 e 0,9986, para o endocárdio e epicárdio, respectivamente. Com o RMSProp foi obtido um coeficiente Dice de 0,9098 e 0,9167, distância de Hausdorff de 9,0421 e 9,7663, sensibilidade de 0,9200 e 0,9116, especificidade de 0,9988 e 0,9987, para o endocárdio e epicárdio, respectivamente.
|
|---|
