Técnicas para segmentação de tumor cerebral em imagens de ressonância magné...

Neste trabalho realizou-se a implementação de diferentes métodos computacionais para segmentação de tumores do tipo glioma em imagens de ressonância magnética da modalidade FLAIR, com o intuito de comparar, utilizando o mesmo conjunto de dados, diferentes técnicas propostas na literatura e identificar os parâmetros e condições que possibilitam alcançar o melhor desempenho na tarefa de segmentação do tumor cerebral. Um experimento de otimização foi realizado, consistindo de duas etapas. Na etapa de treinamento, escolheu-se alguns dos parâmetros numéricos de cada um dos algoritmos e variou-se o valor destes parâmetros, testando-se os algoritmos num conjunto que contém 30 imagens. O grupo de valores que produziu os melhores resultados foi selecionado para a segunda fase. Na etapa de testes, os algoritmos analisaram um novo grupo de 15 imagens. O experimento foi finalizado verificando-se o desempenho médio de cada algoritmo no grupo de testes. Foi possível atingir e superar a meta de coeficiente Dice de similaridade (DSC) médio de 60%, atingindo-se aproximadamente 70% na fase de testes. Os resultados indicam que o método de seleção iterativa de limiar de segmentação e a técnica de agrupamento por algoritmo genético são ferramentas úteis que podem ser utilizadas como passo inicial da segmentação. Para o algoritmo genético, destacam-se as diferenças entre a versão implementada neste trabalho e a versão original: menor número de cromossomos na população, seleção dos grupos com as duas maiores intensidades médias, e uso de, no máximo, cinco grupos para realizar a segmentação dos pixels. Em especial, o filtro de vizinhança, a operação de seleção de maior componente e a operação morfológica de fechamento mostraram-se úteis no refinamento da segmentação, mas métodos mais avançados são necessários para atingir maiores valores de DSC. Verificou-se também a importância de trabalhar com conjuntos de imagens que representem as diversas situações e desafios presentes na prática clínica, de forma que os experimentos realizados possam refletir o desempenho que seria apresentado quando o software fosse utilizado por médicos em situações clínicas reais, onde exames são realizados em condições diversas e as imagens apresentam qualidade muito variada.

Título em Inglês

Techniques for brain tumor segmentation in magnetic resonance images

Palavras-chave em Inglês

Computer-aided diagnosis
Magnetic resonance
Segmentation
Genetic algorithm
Computer vision

Resumo em Inglês

In this work, several computational methods were implemented in order to perform the segmentation of glioma tumors in FLAIR magnetic resonance images, with the goal of comparing, using the same dataset, different techniques proposed in the literature and identify the parameters and conditions that provide the best performance in the task of tumor segmentation. A two-phase optimization experiment was performed. In the training phase, some of the numeric parameters of each algorithm were chosen and allowed to vary inside an interval. Each set of values was tested in a group of 30 images. The set of values that produced the best results was selected to the testing phase. In this second phase, the algorithms analysed a group of 15 new images. The experiment ends with the computation of the mean Dice coefficient (DSC) of each algorithm in the testing dataset. It was possible to reach and surpass the goal of mean DSC of 60%, reaching around 70% in the testing phase. Results indicate that the iterative threshold selection method and the genetic algorithm clustering method are useful tools that can be used as a first segmentation step. After that, it’s necessary to use techniques that explore the spatial relationships embedded in the pixel information in order to reach better results. The main diferences between the genetic algorithm implemented here and the original version are: smaller population, selection of the groups with the two hightest mean intensities and use of five groups in the pixel segmentation task. The neighborhood filter, the largest component selection and the closing operation are useful in refining the segmentation, but more advanced methods are necessary to reach higher DSC values. It was also possible to verify the importance of working with a dataset that represents the different situations and challenges that occur in real clinical practice, in order to allow the experiment to reflect the performance that would be observed when physicians used the software in real life situations, where exams are performed in a variety of conditions and images are presented in different quality levels.

Arquivos

AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome(s) do(s) autor(es) do trabalho.

Oliveira_Gustavo_Casagrande_tcc.pdf (2.40 Mbytes)

Data de Publicação

2017-01-13

Número de visitas

768

Número de downloads

443