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

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)