Segmentação automática de lesões no cérebro em imagens de ressonância magnética usando SLIC e Auxiliary Classifier Generative Adversarial Networks
Nenhuma Miniatura disponível
Arquivos
Data
2018-01-18
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal do Maranhão
Resumo
O câncer de cérebro é uma doença agressiva e com tempo de sobrevida de até dois anos.
Por estar localizada em um órgão tão sensível, o tratamento é difícil e as vezes requer
intervenção cirúrgica. Atualmente o padrão para detecção da doença é a imagem de
Ressonância Magnética (RM) que, usando um forte campo magnético, conseguem detalhar
a anatomia dos tecidos. Após a aquisição das imagens o especialista avalia fatia por
fatia em busca de anomalias no exame. Essa análise é demorada e apresenta divergências
entre os especialistas. Dessa forma, esse trabalho propõe um método de segmentação da
região de lesão em imagens de RM, fornecendo uma segunda opinião ao avaliador. São
usadas as imagens de ressonância magnética da base Multimodal Brain Tumor Image
Segmentation Benchmark (BRATS) composta por 220 pacientes, todas com lesão. Essas
imagens são pré-processadas com objetivo de normalizar as fatias para um mesmo padrão,
em seguida são extraídas áreas resultantes do algoritmo de agrupamento Simple Linear
Iterative Clustering (SLIC). Para a classificação em lesão e tecido saudável são comparados
os resultados de duas redes neurais, a Convolutional Neural Networks (CNN) e a Auxiliary
Classifier Generative Adversarial Networks (ACGAN). Para um conjunto de treino de 60
exames e 10 de teste, os melhores resultados obtidos foram com a rede adversária com uma
precisão de 0.60, sensibilidade de 0.72, Índice Dice de 0.65 e Índice de Jaccard de 0.48.
Descrição
Abstract
Brain cancer is an aggressive disease with a survival rate of up to two years. Being located in such a sensitive organ, the treatment is dificulty and sometimes require surgical intervention. Currently, the standard for this disease detection is Magnetic Resonance Imaging (MRI), wich use a strong magnetic field to detail each area the lesion occupies. After the image aquisition, an experienced rater evaluates each slice for each case, looking for anomalies. The analysis are slow and present significative divergences between raters. This work proposes a segmentation method of brain lesion regions in MRI images. In this work, is used the dataset Multimodal BrainTumor Image Segmentation Benchmark (BRATS) wich is composed of 220 patient, all with lesion. These images are preprocessed in order to homogenize the slices and the areas resulting from the clustering algorithm Simple Linear Iterative Clustering (SLIC) are extracted. For the classification task this work uses a Convolutional Neural Networks (CNN) and a Auxiliary Classifier Generative Adversarial Networks(ACGAN). For the training set of 60 exams and 10 for the test set the best results were obtained with the adversary network with an precision of 0.60, sensitivity of 0.72, Dice score of 0.65 and Jaccard score of 0.48.
Palavras-chave
Câncer cerebral, Ressonância magnética, Simple Linear Iterative Clustering, Auxiliary Classifier Generative Adversarial Networks, Brain cancer, Magnetic ressonance imaging, Simple Linear Iterative Clustering, Auxiliary Classifier Generative Adversarial Networks