Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/331717
Full metadata record
DC FieldValueLanguage
dc.contributor.CRUESPUNIVERSIDADE ESTADUAL DE CAMPINASpt_BR
dc.descriptionOrientadores: Fabiano Reis, Li Li Minpt_BR
dc.descriptionTese (doutorado) - Universidade Estadual de Campinas, Faculdade de Ciências Médicaspt_BR
dc.format.extent1 recurso online (78 p.) : il., digital, arquivo PDF.pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.languagePortuguêspt_BR
dc.relation.requiresRequisitos do sistema: Software para leitura de arquivo em PDFpt_BR
dc.typeTESE DIGITALpt_BR
dc.titleAnálise de lesões encefálicas de naturezas diferentes em imagens de ressonância magnética e tomografia computadorizada a partir de mapas auto-organizáveis = Analysis of encephalic lesions of different natures in magnetic resonance and computed tomography images from self-organizing mapspt_BR
dc.title.alternativeAnalysis of encephalic lesions of different natures in magnetic resonance and computed tomography images from self-organizing mapspt_BR
dc.contributor.authorMei, Paulo Afonso, 1982-pt_BR
dc.contributor.advisorReis, Fabiano, 1975-pt_BR
dc.contributor.coadvisorLi, Li Min, 1964-pt_BR
dc.contributor.institutionUniversidade Estadual de Campinas. Faculdade de Ciências Médicaspt_BR
dc.contributor.nameofprogramPrograma de Pós-Graduação em Ciências Médicaspt_BR
dc.subjectMapas auto-organizáveispt_BR
dc.subjectRessonância magnéticapt_BR
dc.subjectRedes neurais (Computação)pt_BR
dc.subjectTomografia computadorizadapt_BR
dc.subjectSegmentação de imagens médicaspt_BR
dc.subject.otherlanguageSelf-organizing mapsen
dc.subject.otherlanguageMagnetic resonanceen
dc.subject.otherlanguageNeural networks (Computer science)en
dc.subject.otherlanguageComputed tomographyen
dc.subject.otherlanguageMedical image segmentationen
dc.description.abstractResumo: Com o advento de conjunto de dados cada vez maiores (Big Data), dentre os quais se incluem imagens médicas com crescente qualidade de resoluções espacial, espectral e radiométrica e, portanto, com maior número de pixels, espectros de varredura e níveis de cinza, faz-se útil o uso de técnicas matemáticas avançadas, especialmente as não-supervisionadas, para aprimorar a segmentação do tecido cerebral em agrupamentos (clusters) distintos, possibilitando uma melhor visualização da área acometida por patologia. Este trabalho teve por objetivo segmentar imagens de sistema nervoso central (SNC) em patologias de três naturezas distintas - neoplásica (tumores), desmielinizante (esclerose múltipla) e vascular (acidente vascular cerebral isquêmico -AVCi). Foram realizados três estudos, descritos nos Artigos I, II e III, nos quais foram analisadas imagens de SNC de pacientes (ressonância magnética - RM, nos Artigos I e II, e tomografia computadorizada - TC, no artigo III) com diagnóstico de, respectivamente, neoplasia, esclerose múltipla tipo remitente-recorrente e AVCi. As imagens foram transformadas em matrizes com valores da escala de cinza para cada pixel, em cada aquisição, e processadas por ferramentas com capacidade de execução de Mapas Auto-Organizáveis (SOM), SiroSOM e Weka, que permitiram a construção de mapa neural com treinamento de neurônios e, posteriormente, particionamento dos mesmos em agrupamentos por K-Médias. As novas matrizes, com assimilação de clusters para cada pixel, foram novamente reconstruídas em imagens, que foram submetidas à avaliação de médicos com formação consolidada prévia em neurorradiologia. Os trabalhos I e II confirmam a capacidade geral de segmentação de imagens médicas por meio de SOM com razoável precisão de delimitação de bordas em RM. O artigo III revelou um grau insatisfatório de exatidão de delineação de bordas de lesões à segmentação de TC, porém com potencial identificável de melhora da acurácia se novos e mais amplos estudos forem realizados, com base no material publicadopt
dc.description.abstractAbstract: With the upcoming of ever bigger datasets (Big Data), among those medical images, ever-growing on spatial, spectral and radiometric resolutions and, hence, in the number of pixels, spectrums and digital numbers (DNs), the use of advanced mathematical algorithms, especially non-supervised neural networks, plays a role on improving automated segmentation of the human brain into smaller, distinct clusters, providing a better visualization of the comprised, pathological regions. This work aimed to segment central nervous system (CNS) images from pathologies of three different natures - neoplasms, demyelinating and vascular (ischemic stroke). We performed three studies, each one described in distinct articles, I, II and III, on which medical CNS images (MRI for Articles I and II and CT for article III) from patients with confirmed diagnosis of, respectively, neoplasms, relapsing-remitting multiple sclerosis and ischemic stroke were analyzed. The images were transformed in matrices of gray values for each pixel, in each acquisition, and then processed by Kohonen's Self Organizing Maps (SOM) via capable software - SiroSOM or Weka, through training of neurons belonging to the built neural map, followed by clustering by K Means. The newly created matrices with cluster values for each pixel were then rebuilt back to new images that were appreciated by physicians skilled in neuroradiology. The research confirms the general ability of medical image segmentation by SOM, with reasonable border delimitation in MRI, in articles I and II. Article III revealed a non-satisfactory precision of lesion border delineation on CT, but there is a likely chance of improvement of accuracy, if further, deeper studies based on the publication data could be performeden
dc.publisher[s.n.]pt_BR
dc.date.issued2018pt_BR
dc.identifier.citationMEI, Paulo Afonso. Análise de lesões encefálicas de naturezas diferentes em imagens de ressonância magnética e tomografia computadorizada a partir de mapas auto-organizáveis = Analysis of encephalic lesions of different natures in magnetic resonance and computed tomography images from self-organizing maps. 2018. 1 recurso online (78 p.). Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Ciências Médicas, Campinas, SP. Disponível em: <http://www.repositorio.unicamp.br/handle/REPOSIP/331717>. Acesso em: 3 set. 2018.pt_BR
dc.description.degreelevelDoutoradopt_BR
dc.description.degreedisciplineNeurologiapt_BR
dc.description.degreenameDoutor em Ciências Médicaspt_BR
dc.contributor.committeepersonalnameLeite, Claudia da Costapt_BR
dc.contributor.committeepersonalnameRamos, Celso Daríopt_BR
dc.contributor.committeepersonalnameTania Aparecida Marchiori de Oliveira Cardosopt_BR
dc.contributor.committeepersonalnameMiranda, Diana Rodrigues de Pinapt_BR
dc.date.defense2018-02-22T00:00:00Zpt_BR
dc.description.sponsordocumentnumber88881.132052/2016-01pt_BR
dc.date.available2018-09-03T18:17:44Z-
dc.date.accessioned2018-09-03T18:17:44Z-
dc.description.provenanceMade available in DSpace on 2018-09-03T18:17:44Z (GMT). No. of bitstreams: 1 Mei_PauloAfonso_D.pdf: 9603204 bytes, checksum: 5b89b9e22ca5225fe46059e93e78e152 (MD5) Previous issue date: 2018en
dc.identifier.urihttp://repositorio.unicamp.br/jspui/handle/REPOSIP/331717-
dc.description.sponsorCAPESpt_BR
Appears in Collections:FCM - Tese e Dissertação

Files in This Item:
File SizeFormat 
Mei_PauloAfonso_D.pdf9.38 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.