Computational approach based on deep learning for the classification and segmentation of deep rectosigmoid endometriosis using magnetic resonance images

| Sharing | | Please use this identifier to cite or link to this item: https://tedebc.ufma.br/jspui/handle/tede/5941 | Tipo do documento: | Tese | | Título: | Abordagem computacional baseada em deep learning para a classificação e segmentação de endometriose profunda no retossigmoide através de imagens de ressonância magnética | | Título(s) alternativo(s): | Computational approach based on deep learning for the classification and segmentation of deep rectosigmoid endometriosis using magnetic resonance images | | Autor: | FIGUEREDO, Weslley Kelson Ribeiro | | Primeiro orientador: | SILVA, Aristófanes Corrêa | | Primeiro coorientador: | OLIVEIRA, Marco Aurelio Pinho de | | Primeiro membro da banca: | SILVA, Aristófanes Corrêa | | Segundo membro da banca: | OLIVEIRA, Marco Aurelio Pinho de | | Terceiro membro da banca: | PAIVA, Anselmo Cardoso de | | Quarto membro da banca: | CARVALHO FILHO, Antonio Oseas de | | Quinto membro da banca: | CUNHA, António Manuel Trigueiros da Silva | | Resumo: | A endometriose é uma doença que afeta principalmente a região pélvica, impactando significativamente a qualidade de vida das mulheres, especialmente em idade fértil. Este trabalho propõe um método automatizado para a classificação de pacientes com endometriose, localização e segmentação das lesões em imagens de ressonância magnética do retossigmoide, com o objetivo de auxiliar no diagnóstico, reduzir a necessidade de métodos invasivos e mapear a extensão das lesões. O método combina técnicas de processamento de imagens e aprendizado profundo, com três objetivos principais: classificação de pacientes, localização e segmentação de lesões. Para a classificação, foi alcançado um F1-score de 94,74%, utilizando um ensemble de redes neurais convolucionais, incluindo uma modificação proposta da VGG-16. A localização das lesões atingiu uma sensibilidade de 98,70%, empregando uma etapa inicial de segmentação e extração da região de interesse com uma combinação de processamento de imagens e a rede neural arificial TransUNet. Para a segmentação das lesões, foi obtido um índice Dice de 66,55%, também utilizando a TransUNet. Além disso, propõe-se uma nova aplicação de active learning para a seleção de imagens no treinamento, aprimorando o desempenho do modelo. Os resultados demonstram o potencial do método para auxiliar no manejo clínico da endometriose, especialmente no diagnóstico. | | Abstract: | Endometriosis is a condition that primarily affects the pelvic region, significantly impacting the quality of life of women, especially those of reproductive age. This study proposes an automated method for classifying patients with endometriosis, localizing, and segmenting lesions in magnetic resonance images of the rectosigmoid region. The method aims to assist in diagnosis, reduce the need for invasive procedures, and map the extent of the lesions. It combines image processing techniques and deep learning, focusing on three main objectives: patient classification, lesion localization, and lesion segmentation. For patient classification, an F1-score of 94.74% was achieved using an ensemble of convolutional neural networks, including a proposed modification of the VGG-16 architecture. Lesion localization reached a sensitivity of 98.70% through an initial segmentation step and a region of interest extraction, employing a combination of image processing and the TransUNet neural network model. Lesion segmentation achieved a Dice score of 66.55%, also using TransUNet. Additionally, the study introduces a novel application of active learning for selecting training images to enhance model performance. These results demonstrate the potential of the proposed method to support the clinical management of endometriosis, particularly in diagnosis. | | Palavras-chave: | endometriose; aprendizado profundo; classificação; segmentação; ressonância magnética. endometriosis; deep learning; classification; segmentation; magnetic resonance images. | | Área(s) do CNPq: | Processamento Gráfico Ginecologia | | Idioma: | por | | País: | Brasil | | Instituição: | Universidade Federal do Maranhão | | Sigla da instituição: | UFMA | | Departamento: | DEPARTAMENTO DE ENGENHARIA DA ELETRICIDADE/CCET | | Programa: | PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO (ASSOCIAÇÃO UFMA/UFPI) | | Citação: | FIGUEREDO, Weslley Kelson Ribeiro. Abordagem computacional baseada em deep learning para a classificação e segmentação de endometriose profunda no retossigmoide através de imagens de ressonância magnética. 2025. 94 f. Tese (Programa de Pós-Graduação em Ciência da Computação (ASSOCIAÇÃO UFMA/UFPI) - Universidade Federal do Maranhão, São Luís, 2025. | | Tipo de acesso: | Acesso Aberto | | URI: | https://tedebc.ufma.br/jspui/handle/tede/5941 | | Data de defesa: | 20-Jan-2025 | | Appears in Collections: | TESES DE DOUTORADO - PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO (ASSOCIAÇÃO UFMA/UFPI) | Files in This Item: | File | Description | Size | Format | | |---|---|---|---|---| | WeslleyKelsonRibeiroFigueredo.pdf | Tese de Doutorado | 14,86 MB | Adobe PDF | Download/Open Preview | Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.