Métodos computacionais baseados em superpixels para segmentação automática da próstata em imagens de ressonância magnética 3D
Resumo
A segmentação da próstata é um pré-requisito essencial para auxiliar o diagnóstico e o tratamento do câncer. Na prática atual, o radiologista realiza esse processo manualmente, o que é extremamente demorado e exige experiência e concentração. Sendo assim, o desenvolvimento de métodos automáticos e confiáveis para segmentação da próstata é clinicamente desejável. Portanto, esta tese apresenta três métodos computacionais para segmentação automática da próstata em imagens de ressonância magnética, usando técnicas de processamento de imagens e reconhecimento de padrões. Os métodos propostos foram avaliados em duas bases de imagens públicas, obtendo um coeficiente de similaridade Dice de 87,67%.Referências
ACS (2021). American cancer society: Key statistics for prostate cancer. https://www.cancer.org/cancer/prostate-cancer/about/key-statistics.html. Online; acessado em 14 de Fevereiro de 2021.
Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. pages 785–794.
da Cruz, L. B., Souza, J. C., de Sousa, J. A., Santos, A. M., de Paiva, A. C., de Almeida, J. D. S., Silva, A. C., Junior, G. B., and Gattass, M. (2020). Interferometer eye image classification for dry eye categorization using phylogenetic diversity indexes for texture analysis. Computer Methods and Programs in Biomedicine, 188:105269.
Eberhart, R. C., Kennedy, J., et al. (1995). A new optimizer using particle swarm theory. In Proceedings of the sixth international symposium on micro machine and human science, volume 1, pages 39–43, New York. New York, NY.
Ferlay, J., Soerjomataram, I., Dikshit, R., Eser, S., Mathers, C., Rebelo, M., Parkin, D. M., Forman, D., and Bray, F. (2015). Cancer incidence and mortality worldwide: sources, methods and major patterns in globocan 2012. International journal of cancer, 136(5):E359–E386.
Ghose, S., Oliver, A., Martí, R., Lladó, X., Vilanova, J. C., Freixenet, J., Mitra, J., Sidibé, D., and Meriaudeau, F. (2012). A survey of prostate segmentation methodologies in ultrasound, magnetic resonance and computed tomography images. Computer methods and programs in biomedicine, 108(1):262–287.
INCA (2020). Tipo de câncer: próstata. http://www2.inca.gov.br/wps/wcm/connect/tiposdecancer/site/home/prostata. Online; acessado em 27 de Agosto de 2020.
LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. Nature, 521(7553):436–444.
Liu, Y.-J., Yu, M., Li, B.-J., and He, Y. (2018). Intrinsic manifold slic: a simple and efficient method for computing content-sensitive superpixels. IEEE transactions on pattern analysis and machine intelligence, 40(3):653–666.
Mohler, J. L., Armstrong, A. J., Bahnson, R. R., D’Amico, A. V., Davis, B. J., Eastham, J. A., Enke, C. A., Farrington, T. A., Higano, C. S., Horwitz, E. M., et al. (2016). Prostate cancer, version 1.2016. Journal of the National Comprehensive Cancer Network, 14(1):19–30.
Silva, G. L., Diniz, P. S., Ferreira, J. L., França, J. V., Silva, A. C., de Paiva, A. C., and de Cavalcanti, E. A. (2020). Superpixel-based deep convolutional neural networks and active contour model for automatic prostate segmentation on 3d mri scans. Medical & Biological Engineering & Computing, 58(9):1947–1964.
Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. pages 785–794.
da Cruz, L. B., Souza, J. C., de Sousa, J. A., Santos, A. M., de Paiva, A. C., de Almeida, J. D. S., Silva, A. C., Junior, G. B., and Gattass, M. (2020). Interferometer eye image classification for dry eye categorization using phylogenetic diversity indexes for texture analysis. Computer Methods and Programs in Biomedicine, 188:105269.
Eberhart, R. C., Kennedy, J., et al. (1995). A new optimizer using particle swarm theory. In Proceedings of the sixth international symposium on micro machine and human science, volume 1, pages 39–43, New York. New York, NY.
Ferlay, J., Soerjomataram, I., Dikshit, R., Eser, S., Mathers, C., Rebelo, M., Parkin, D. M., Forman, D., and Bray, F. (2015). Cancer incidence and mortality worldwide: sources, methods and major patterns in globocan 2012. International journal of cancer, 136(5):E359–E386.
Ghose, S., Oliver, A., Martí, R., Lladó, X., Vilanova, J. C., Freixenet, J., Mitra, J., Sidibé, D., and Meriaudeau, F. (2012). A survey of prostate segmentation methodologies in ultrasound, magnetic resonance and computed tomography images. Computer methods and programs in biomedicine, 108(1):262–287.
INCA (2020). Tipo de câncer: próstata. http://www2.inca.gov.br/wps/wcm/connect/tiposdecancer/site/home/prostata. Online; acessado em 27 de Agosto de 2020.
LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. Nature, 521(7553):436–444.
Liu, Y.-J., Yu, M., Li, B.-J., and He, Y. (2018). Intrinsic manifold slic: a simple and efficient method for computing content-sensitive superpixels. IEEE transactions on pattern analysis and machine intelligence, 40(3):653–666.
Mohler, J. L., Armstrong, A. J., Bahnson, R. R., D’Amico, A. V., Davis, B. J., Eastham, J. A., Enke, C. A., Farrington, T. A., Higano, C. S., Horwitz, E. M., et al. (2016). Prostate cancer, version 1.2016. Journal of the National Comprehensive Cancer Network, 14(1):19–30.
Silva, G. L., Diniz, P. S., Ferreira, J. L., França, J. V., Silva, A. C., de Paiva, A. C., and de Cavalcanti, E. A. (2020). Superpixel-based deep convolutional neural networks and active contour model for automatic prostate segmentation on 3d mri scans. Medical & Biological Engineering & Computing, 58(9):1947–1964.
Publicado
15/06/2021
Como Citar
SILVA, Giovanni L. F. da; SILVA, Aristófanes C.; PAIVA, Anselmo C. de.
Métodos computacionais baseados em superpixels para segmentação automática da próstata em imagens de ressonância magnética 3D. In: CONCURSO DE TESES E DISSERTAÇÕES - SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO APLICADA À SAÚDE (SBCAS), 21. , 2021, Evento Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 19-24.
ISSN 2763-8987.
DOI: https://doi.org/10.5753/sbcas.2021.16095.
