Use este identificador para citar ou linkar para este item:
http://www.monografias.ufop.br/handle/35400000/6123| Título: | Bone suppression using deep learning. |
| Título(s) alternativo(s): | Supressão óssea utilizando aprendizado profundo. |
| Autor(es): | Ziviani, Hugo Eduardo |
| Orientador(es): | Cámara Chávez, Guillermo Silva, Matheus Coelho |
| Membros da banca: | Silva, Rodrigo Cesar Pedrosa Silva, Elton José da Silva, Matheus Coelho Cámara Chávez, Guillermo |
| Palavras-chave: | Deep learning Bone suppression Artificial intelligence X-ray |
| Data do documento: | 2022 |
| Referência: | ZIVIANI, Hugo Eduardo. Bone suppression using deep learning. 2022. 35 f. Monografia (Graduação em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2021. |
| Resumo: | A proposta deste trabalho é revisar técnicas de supressão óssea em imagens de tórax. A forma mais comum, porém não acessível, é através da Subtração de Dupla Energia (DES). Essa técnica exige um hardware específico para a gerar e receber diferentes níveis de energia capaz de diferenciar os materiais pelo número atômico. Baseado em Deep Learning, nosso método utiliza redes adversárias, conhecidas como GAN’s. Especificamente utilizamos um tipo de GAN condicional (cGAN). Para quantificar os resultados foi necessária a revisão das principais métricas utilizadas pelo estado da arte. A busca se deu por trabalhos que utilizassem o mesmo dataset da proposta ou técnicas similares. Com o dataset da JSRT, alcançamos um índice PSNR de 35.604, que se apresentou melhor que o revisto na literatura e um coeficiente de similaridade, conhecido como SSIM de 0.9703. Quanto ao loss, calculado pelo MS-SSIM, obtivemos o menor em comparação aos trabalhos revisados. |
| Resumo em outra língua: | The purpose of this work is to review bone suppression techniques in chest imaging. The most common but not accessible way is through Double Energy Subtraction (DES). This technique requires specific hardware to generate and receive different levels of energy capable of differentiating materials by atomic number. Based on deep learning, our method uses adversarial networks, known as GANs. Specifically, we use a conditional GAN type (cGAN). To quantify the results, it was necessary to review the main metrics used by the state-of-the-art. The library search was made looking for works that used the same dataset as the proposal or similar techniques. With the JSRT dataset, we reached a PSNR index of 35.604, which was better than that reviewed in the literature, and a similarity coefficient, known as SSIM of 0.9703. As for the loss, calculated by MS-SSIM, we obtained the lowest compared to the reviewed works. |
| URI: | http://www.monografias.ufop.br/handle/35400000/6123 |
| Aparece nas coleções: | Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| MONOGRAFIA_BoneSuppressionUsing.pdf | 4,62 MB | Adobe PDF | Visualizar/Abrir |
Os itens na BDTCC estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.