Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/37264| Título: | Segmentação de lesões cerebrais utilizando deep learning em imagens de ressonância magnética |
| Título(s) alternativo(s): | Segmentation of brain lesions using deep learning on magnetic resonance imaging |
| Autor(es): | Antunes, Luiz Arthur Schussler |
| Orientador(es): | Borges, Helyane Bronoski |
| Palavras-chave: | Lesão cerebral Ressonância magnética Processamento de imagens Aprendizado do computador Brain damage Magnetic resonance Image processing Machine learning |
| Data do documento: | 31-Out-2023 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Ponta Grossa |
| Citação: | ANTUNES, Luiz Arthur Schussler. Segmentação de lesões cerebrais utilizando deep learning em imagens de ressonância magnética. 2023. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2023. |
| Resumo: | Este estudo investigou a aplicação de técnicas de Deep Learning na segmentação de lesões cerebrais em imagens de ressonância magnética, com foco em avaliar como diferentes abordagens de treinamento influenciam a eficácia do modelo. Os experimentos foram conduzidos com três variantes de um dataset, cada uma submetida a técnicas de pré-processamento e data augmentation distintas. A pesquisa concluiu que precisão, desempenho e a natureza dos dados estão interligados, afetando o resultado final de maneira complexa. Os achados enfatizam a importância de um planejamento no treinamento e a necessidade de equilibrar múltiplas técnicas para otimizar os resultados. Enquanto o potencial do Deep Learning na segmentação de lesões cerebrais é claro, a excelência nesta área requer uma abordagem metódica e adaptável, combinando de maneira ideal as técnicas e configurações disponíveis. |
| Abstract: | This study investigated the application of Deep Learning techniques in the segmentation of brain lesions in MRI images, with a focus on evaluating how different training approaches influence model effectiveness. The experiments were conducted with three variants of a dataset, each one subjected to different pre-processing and data augmentation techniques. The research concluded that accuracy, performance and the nature of the data are interconnected, affecting the final result in complex ways. The findings emphasize the importance of training planning and the need to balance multiple techniques to optimize results. While the potential of deep learning in segmenting brain lesions is clear, excellence in this area requires a methodical and adaptive approach, optimally combining available techniques and configurations. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/37264 |
| Aparece nas coleções: | PG - Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| segmentacaolesoesdeeplearning.pdf | 1,7 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
