Computational techniques to find and suppress bone from chest radiological images.

dc.contributor.advisorCámara Chávez, Guillermopt_BR
dc.contributor.advisorSilva, Mateus Coelhopt_BR
dc.contributor.authorZiviani, Hugo Eduardo
dc.contributor.refereeCámara Chávez, Guillermopt_BR
dc.contributor.refereeQueiroz, Rafael Alves Bonfim dept_BR
dc.contributor.refereeOliveira, Thiago Eustaquio Alves dept_BR
dc.contributor.refereeSilva, Mateus Coelhopt_BR
dc.date.accessioned2023-11-13T19:04:11Z
dc.date.available2023-11-13T19:04:11Z
dc.date.issued2023pt_BR
dc.descriptionPrograma de Pós-Graduação em Ciência da Computação. Departamento de Ciência da Computação, Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto.pt_BR
dc.description.abstractThe proposal of this work is to propose bone suppression techniques in chest images. The most common, but inaccessible, way is through Dual Energy Subtraction (DES). This the technique requires specific hardware to generate and receive di erent energy levels capable of di erentiating materials by atomic number. This work uses GAN to perform bone suppression on X-ray images and aimed to evaluate the performance of the cGAN, train a model to locate the thoracic box, and assess two di erent training techniques for boneless image translation. Based on deep learning the main contribution of this work is to improve the bone shadow elimination delimiting the learning region of the Deep Learning (DL) model. By the contextualization of the bones region, was possible present a metric that measures the model accuracy in an interested region. With this study was possible a more precise metric to evaluate the bone suppression quality. Using the Japanese Society of Radiological Technology (JSRT) this study achieved a PSNR index of 31.604, and a similarity coe cient, known as SSIM of 0.9402. When delimiting the learning region, the results were: 31.9136 for PSNR and 0.9633 for SSIM.pt_BR
dc.description.abstractenA proposta deste trabalho é propor técnicas de supressão óssea em imagens do tórax. A forma mais comum, mas inacessível, é através da Subtração de Energia Dupla (DES). Essa técnica requer hardware específico para gerar e receber diferentes níveis de energia capazes de diferenciar materiais por número atômico. Este trabalho utiliza GAN para realizar a supressão óssea em imagens de raio-x e tem como objetivo avaliar o desempenho do cGAN, treinar um modelo para localizar a região torácica e avaliar duas técnicas de treinamento diferentes para a tradução de imagens sem osso. Com base em aprendizado profundo, a principal contribuição deste trabalho é melhorar a eliminação das sombras ósseas delimitando a região de aprendizado do modelo de Aprendizado Profundo (AP). A contextualização da região dos ossos permitiu apresentar uma métrica que mede a precisão do modelo em uma região de interesse. Com este estudo, foi possível obter uma métrica mais precisa para avaliar a qualidade da supressão óssea. Utilizando a Sociedade Japonesa de Tecnologia Radiológica (JSRT), este estudo alcançou um índice PSNR de 31.604 e um coeficiente de similaridade, conhecido como SSIM, de 0.9402. Ao delimitar a região de aprendizado, os resultados foram: 31.9136 para PSNR e 0.9633 para SSIM.pt_BR
dc.identifier.citationZIVIANI, Hugo Eduardo. Computational techniques to find and suppress bone from chest radiological images. 2023. 83 f. Dissertação (Mestrado em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2023.pt_BR
dc.identifier.urihttp://www.repositorio.ufop.br/jspui/handle/123456789/17730
dc.language.isopt_BRpt_BR
dc.rightsabertopt_BR
dc.rights.licenseAutorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 21/10/2023 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante.pt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-sa/3.0/us/*
dc.subjectDeep learningpt_BR
dc.subjectBone suppressionpt_BR
dc.subjectArtificial intelligencept_BR
dc.subjectX-raypt_BR
dc.titleComputational techniques to find and suppress bone from chest radiological images.pt_BR
dc.typeDissertacaopt_BR
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
DISSERTAÇÃO_ComputacionalTechniquesFind.pdf
Tamanho:
1.14 MB
Formato:
Adobe Portable Document Format
Descrição:
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descrição: