Avaliação de redes neurais convolucionais para a delimitação de metástases cerebrais em imagens de ressonância magnética

Página do item simplificado
dc.contributor.advisorSánchez, Mirko Salomón Alva
dc.contributor.advisor-coBotelho, Viviane Rodrigues
dc.contributor.authorTakara, Bruno Yukio
dc.contributor.departmentPrograma de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde
dc.date.accessioned2025-02-28T21:11:36Z
dc.date.available2025-02-28T21:11:36Z
dc.date.date-insert2025-02-28
dc.date.issued2024-07-31
dc.descriptionDissertação (Mestrado)-Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde, Fundação Universidade Federal de Ciências da Saúde de Porto Alegre.pt_BR
dc.description.abstractAs metástases cerebrais múltiplas acometem cerca de 20% dos pacientes com algum tipo de tumor e seu tratamento pode ser realizado, entre outras formas, através da radiocirurgia estereotáxica. O delineamento realizado por um software das metástases cerebrais para o planejamento do tratamento pode ter grande valor na prática radioterapêutica, visto que essa tarefa costuma demandar bastante tempo e ser de difícil identificação quando as metástases se apresentam em formatos pequenos. Assim, é proposta a aplicação de redes neurais artificiais em imagens de ressonância magnética (RM) para o delineamento automático de regiões tumorais com metástases e órgãos de risco, para o preparo de um planejamento radioterápico mais acurado e com menor risco de sobredosagem ao paciente. Para isso, três modelos de Deep Learning que realizam a tarefa de segmentação de metástases cerebrais encontrados na literatura foram utilizados em três bancos de dados de metástases cerebrais disponíveis publicamente, os resultados obtidos por esses modelos foram comparados para determinar adequação na prática clínica. Além disso, as publicações envolvendo esses modelos foram avaliadas através dos checklists CLAIM e CLAMP. Adicionalmente foi proposto e avaliado um modelo de segmentação de metástases cerebrais utilizando uma rede U-Net 2D com diferentes combinações de hiperparâmetros e funções de perda. As métricas de performance incluirão o coeficiente Dice por slice (swDSC), coeficiente Dice volumétrico (3D-DSC) e distância de Hausdorff (HD). Os modelos Met-Seg, AURORA e Raidionics apresentaram valores médios de 3D-DSC iguais a 0, 44 ± 0, 23, 0, 55 ± 0, 29 e 0, 53 ± 0, 29, e valores médios de HD iguais a 101 ± 42 mm, 116 ± 81 mm e 119 ± 82 mm, respectivamente. Para o desenvolvimento do modelo, os hiperparâmetros η = 9 e ψ = 2 com peso de balanceamento de classes igual a 0,2 da função de perda BCE somada à Tversky e Boundary foram o que resultaram na melhor performance, com um valor de swDSC de 0,48 para o conjunto de teste. Por fim, para a aplicação na prática clínica, ainda é necessário o desenvolvimento de modelos com melhores performances na segmentação de metástases cerebrais, principalmente para volumes tumorais pequenos e em maior quantidade. Com o passar do tempo, espera-se que mais bancos de dados com imagens de metástases cerebrais se tornem disponíveis para treinamento, o que deve melhorar a performance dos modelos desenvolvidos. Além disso, uso da função de perda BCE somada às funções de Tversky e Boundary pode diminuir a quantidade de falsos positivos
dc.description.abstract-enMultiple brain metastases affect about 20% of patients with some type of tumor, and their treatment can be carried out, among other methods, through stereotactic radiosurgery. The automatic delineation of brain metastases for treatment planning, can be highly valuable in radiotherapy practice, as this task often demands considerable time and can be challenging when the metastases are small in size. So, the application of artificial neural networks on magnetic resonance imaging (MRI) for the automatic delineation of tumoral regions with metastases and organs at risk is proposed, aiming for a more accurate radiotherapy planning with lower risk of ionizing radiation overexposure to the patient. To accomplish this task, three Deep Learning models that perform brain metastasis segmentation, found in the literature, were used on three publicly available brain metastasis databases. The results obtained by these models were compared to determine their suitability for clinical practice. Additionally, publications involving these models were evaluated using the CLAIM and CLAMP checklists. Furthermore, a brain metastasis segmentation model was proposed and evaluated using a 2D U-Net network with different combinations of hyperparameters and loss functions. The performance metrics included the slice-wise Dice coefficient (swDSC), volumetric Dice coefficient (3D-DSC), and Hausdorff distance (HD). The Met-Seg, AURORA, and Raidionics models showed mean 3D-DSC values of 0.44±0.23, 0.55±0.29, and 0.53±0.29, and mean HD values of 101±42 mm, 116±81 mm, and 119 ± 82 mm, respectively. For the development of the model, the hyperparameters η = 9 and ψ = 2 with a class balance weight of 0.1 for the BCE loss function combined with Tversky and Boundary, resulted in the best performance, with a swDSC value of 0.48 for the test set. All in all, for clinical application, the development of models with better performance in brain metastasis segmentation is still needed, particularly for small and numerous tumor volumes. Over time, it is expected that more databases with brain metastasis images will become available for training, which should improve the performance of the developed models. Additionally, the use of the BCE loss function combined with Tversky and Boundary functions may reduce the number of false positives and false negatives in the final result, potentially paving the way for this development.
dc.identifier.urihttps://repositorio.ufcspa.edu.br/handle/123456789/3239
dc.language.isopt_BR
dc.relation.requiresTEXTO - Adobe Reader
dc.rightsAcesso Aberto Após Período de Embargo Acesso Aberto Imediatopt_BR
dc.rightsAttribution-NonCommercial-ShareAlike 3.0 Brazilen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/br/
dc.subjectNeoplasias Encefálicas.
dc.subjectImageamento por Ressonância Magnética
dc.subjectRadiocirurgia
dc.subject[en] Brain Neoplasms
dc.subject[en] Magnetic Resonance Imaging
dc.subject[en] Radiosurgery
dc.titleAvaliação de redes neurais convolucionais para a delimitação de metástases cerebrais em imagens de ressonância magnética
dc.typeDissertação
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
[DISSERTAÇÃO] Takara, Bruno Yukio (C).pdf
Tamanho:
7.52 MB
Formato:
Adobe Portable Document Format
Baixar
Coleções
PPGTIGSAU - Dissertações