Segmentação de estruturas cerebrais de imagens de ressonância magnética utilizando deep learning

• Processo: 16/18332-8
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de janeiro de 2017
• Data de Término da vigência: 30 de setembro de 2018
• Área de conhecimento: Engenharias - Engenharia Elétrica
• Pesquisador responsável: Roberto de Alencar Lotufo
• Beneficiário: Oeslle Alexandre Soares de Lucena
• Instituição Sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Bolsa(s) vinculada(s): 17/23747-5 - Tractografia baseada em deep learning para planejamento cirúrgico no tratamento de epilepsia, BE.EP.MS
• Assunto(s): Aprendizagem profunda Processamento de imagens Diagnóstico por imagem Visão computacional Cérebro
• Palavra(s)-Chave do Pesquisador: corpus callosum | Deep Learning | Skull-stripping | Processamento de Imagens Médicas

Resumo

A necessidade de desenvolver ferramentas de segmentação de estruturas cerebrais de imagens de ressonância magnética cerebral mais rápidas, robustas e precisas que lidem com poucos parâmetros de ajuste é essencial. Visto que, a segmentação manual realizada por neurologistas é uma tarefa que consome muito tempo. Dentre os métodos automáticos, as abordagens utilizando deep learning superaram os métodos de estado da arte em muitos problemas de visão computacional. A grande desvantagem dessa abordagem é que, geralmente, há uma necessidade de grandes quantidades de dados rotulados para seu treinamento, não sendo disponível em problemas de segmentação de imagens médicas. Este projeto de pesquisa de mestrado pretende investigar o uso de técnicas de deep learning aplicado a segmentação de estruturas cerebrais de Imagens de ressonância magnética. Dois problemas específicos serão investigados: a segmentação do cérebro, também conhecido como skull-stripping, e problemas de segmentação do corpo caloso (CC). Nosso método tem como objetivo usar o algoritmo Simultaneous Truth and Performance Level Estimation (STAPLE) para gerar dados rotulados e usá-lo como entrada para uma Rede Neural Convolucional (CNN). Feito isto, iremos comparar a nossa metodologia com as técnicas de estado da arte para segmentação de cérebro e CC. Este projeto de pesquisa de mestrado pretende investigar o uso de técnicas de deep learning aplicado a segmentação de estruturas cerebrais de Imagens de ressonância magnética. Dois problemas específicos serão investigadas: a segmentação do cérebro, também conhecido como skull-stripping, e problemas de segmentação do corpo caloso (CC). Nosso método tem como objetivo usar o algoritmo Simultaneous Truth and Performance Level Estimation (STAPLE) para gerar dados rotulados e usá-lo como entrada para uma Rede Neural Convolucional (CNN). Feito isto, iremos comparar a nossa metodologia com as técnicas de estado da arte para segmentação de cérebro e CC. (AU)

Publicações científicas

(5)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

LUCENA, OESLLE; SOUZA, ROBERTO; RITTNER, LETICIA; FRAYNE, RICHARD; LOTUFO, ROBERTO; IEEE. SILVER STANDARD MASKS FOR DATA AUGMENTATION APPLIED TO DEEP-LEARNING-BASED SKULL-STRIPPING. 2018 IEEE 15TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI 2018), v. N/A, p. 4-pg., 2018-01-01. (16/18332-8)

SOUZA, ROBERTO; LUCENA, OESLLE; GARRAFA, JULIA; GOBBI, DAVID; SALUZZI, MARINA; APPENZELLER, SIMONE; RITTNER, LETICIA; FRAYNE, RICHARD; LOTUFO, ROBERTO. An open, multi-vendor, multi-field-strength brain MR dataset and analysis of publicly available skull stripping methods agreement. NeuroImage, v. 170, n. SI, p. 482-494, APR 15 2018. (13/23514-0, 13/07559-3, 16/18332-8)

LUCENA, OESLLE; SOUZA, ROBERTO; RITTNER, LETICIA; FRAYNE, RICHARD; LOTUFO, ROBERTO. Convolutional neural networks for skull-stripping in brain MR imaging using silver standard masks. ARTIFICIAL INTELLIGENCE IN MEDICINE, v. 98, p. 48-58, JUL 2019. (13/07559-3, 16/18332-8)

SOUZA, ROBERTO; LUCENA, OESLLE; GARRAFA, JULIA; GOBBI, DAVID; SALUZZI, MARINA; APPENZELLER, SIMONE; RITTNER, LETICIA; FRAYNE, RICHARD; LOTUFO, ROBERTO. An open, multi-vendor, multi-field-strength brain MR dataset and analysis of publicly available skull stripping methods agreement. NeuroImage, v. 170, p. 13-pg., 2018-04-15. (13/07559-3, 13/23514-0, 16/18332-8)

GRANADOS, ALEJANDRO; MANCINI, MATTEO; VOS, SJOERD B.; LUCENA, OESLLE; VAKHARIA, VEJAY; RODIONOV, ROMAN; MISEROCCHI, ANNA; MCEVOY, ANDREW W.; DUNCAN, JOHN S.; SPARKS, RACHEL; et al. A Machine Learning Approach to Predict Instrument Bending in Stereotactic Neurosurgery. MEDICAL IMAGE COMPUTING AND COMPUTER ASSISTED INTERVENTION - MICCAI 2018, PT IV, v. 11073, p. 9-pg., 2018-01-01. (17/23747-5, 16/18332-8)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

LUCENA, Oeslle Alexandre Soares de. Deep learning for brain analysis in MR imaging. 2018. Dissertação de Mestrado - Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação Campinas, SP.