Submitted by Rafael Santana (rafael.silvasantana@ufpe.br) on 2017-08-30T18:18:41Z
No. of bitstreams: 2
license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5)
Dissertacao Caio Fernandes Araujo Versão Biblioteca.pdf: 4719896 bytes, checksum: 223db1c4382e6f970dc2cd659978ab60 (MD5) / Made available in DSpace on 2017-08-30T18:18:42Z (GMT). No. of bitstreams: 2
license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5)
Dissertacao Caio Fernandes Araujo Versão Biblioteca.pdf: 4719896 bytes, checksum: 223db1c4382e6f970dc2cd659978ab60 (MD5)
Previous issue date: 2016-08-12 / CAPES / Segmentar imagens de maneira automática é um grande desafio. Apesar do ser humano
conseguir fazer essa distinção, em muitos casos, para um computador essa divisão pode não
ser tão trivial. Vários aspectos têm de ser levados em consideração, que podem incluir cor,
posição, vizinhanças, textura, entre outros. Esse desafio aumenta quando se passa a utilizar
imagens médicas, como as ressonâncias magnéticas, pois essas, além de possuírem diferentes
formatos dos órgãos em diferentes pessoas, possuem áreas em que a variação da intensidade
dos pixels se mostra bastante sutil entre os vizinhos, o que dificulta a segmentação
automática. Além disso, a variação citada não permite que haja um formato pré-definido em
vários casos, pois as diferenças internas nos corpos dos pacientes, especialmente os que
possuem alguma patologia, podem ser grandes demais para que se haja uma generalização.
Mas justamente por esse possuírem esses problemas, são os principais focos dos profissionais
que analisam as imagens médicas. Este trabalho visa, portanto, contribuir para a melhoria da
segmentação dessas imagens médicas. Para isso, utiliza a ideia do Bagging de gerar diferentes
imagens 2D para segmentar a partir de uma única imagem 3D, e conceitos de combinação de
classificadores para uni-las, para assim conseguir resultados estatisticamente melhores, se
comparados aos métodos populares de segmentação. Para se verificar a eficácia do método
proposto, a segmentação das imagens foi feita utilizando quatro técnicas de segmentação
diferentes, e seus resultados combinados. As técnicas escolhidas foram: binarização pelo
método de Otsu, o K-Means, rede neural SOM e o modelo estatístico GMM. As imagens
utilizadas nos experimentos foram imagens reais, de ressonâncias magnéticas do cérebro, e o
intuito do trabalho foi segmentar a matéria cinza do cérebro. As imagens foram todas em 3D,
e as segmentações foram feitas em fatias 2D da imagem original, que antes passa por uma
fase de pré-processamento, onde há a extração do cérebro do crânio. Os resultados obtidos
mostram que o método proposto se mostrou bem sucedido, uma vez que, em todas as técnicas
utilizadas, houve uma melhoria na taxa de acerto da segmentação, comprovada através do
teste estatístico T-Teste. Assim, o trabalho mostra que utilizar os princípios de combinação de
classificadores em segmentações de imagens médicas pode apresentar resultados melhores. / Automatic image segmentation is still a great challenge today. Despite the human being able
to make this distinction, in most of the cases easily and quickly, to a computer this task may
not be that trivial. Several characteristics have to be taken into account by the computer,
which may include color, position, neighborhoods, texture, among others. This challenge
increases greatly when it comes to using medical images, like the MRI, as these besides
producing images of organs with different formats in different people, have regions where the
intensity variation of pixels is subtle between neighboring pixels, which complicates even
more the automatic segmentation. Furthermore, the above mentioned variation does not allow
a pre-defined format in various cases, because the internal differences between patients
bodies, especially those with a pathology, may be too large to make a generalization. But
specially for having this kind of problem, those people are the main targets of the
professionals that analyze medical images. This work, therefore, tries to contribute to the
segmentation of medical images. For this, it uses the idea of Bagging to generate different 2D
images from a single 3D image, and combination of classifiers to unite them, to achieve
statistically significant better results, if compared to popular segmentation methods. To verify
the effectiveness of the proposed method, the segmentation of the images is performed using
four different segmentation techniques, and their combined results. The chosen techniques are
the binarization by the Otsu method, K-Means, the neural network SOM and the statistical
model GMM. The images used in the experiments were real MRI of the brain, and the
dissertation objective is to segment the gray matter (GM) of the brain. The images are all in
3D, and the segmentations are made using 2D slices of the original image that pass through a
preprocessing stage before, where the brain is extracted from the skull. The results show that
the proposed method is successful, since, in all the applied techniques, there is an
improvement in the accuracy rate, proved by the statistical test T-Test. Thus, the work shows
that using the principles of combination of classifiers in medical image segmentation can
obtain better results.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/21040 |
| Date | 12 August 2016 |
| Creators | ARAÚJO, Caio Fernandes |
| Contributors | http://lattes.cnpq.br/3084134533707587, REN, Tsang Ing |
| Publisher | Universidade Federal de Pernambuco, Programa de Pos Graduacao em Ciencia da Computacao, UFPE, Brasil |
| Source Sets | IBICT Brazilian ETDs |
| Language | Breton |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE |
| Rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil, http://creativecommons.org/licenses/by-nc-nd/3.0/br/, info:eu-repo/semantics/openAccess |
Page generated in 0.0031 seconds