Assessment of U-Net in the segmentation of short tracts: transferring to clinical MRI routine (2023)
- Authors:
- Autor USP: KONELL, HOHANA GABRIELA - FFCLRP
- Unidade: FFCLRP
- Sigla do Departamento: 591
- DOI: 10.11606/D.59.2023.tde-02012024-090035
- Subjects: APRENDIZADO COMPUTACIONAL; IMAGEM 3D; RESSONÂNCIA MAGNÉTICA; REDES NEURAIS
- Keywords: Aprendizado profundo; Deep learning; Diffusion weighted images; Imagens ponderadas em difusão; Segmentação da substância branca; Short tracts; Tractografia; Tractography; Tratos de curta extensão; White matter segmentation
- Agências de fomento:
- Language: Inglês
- Abstract: Estudos em conectividade estrutural cerebral requerem estratégias de segmentação de tratos precisas. A rede neural U-Net é altamente reconhecida pela sua capacidade em tarefas de segmentação de imagens, em especial no delineamento de tratos de longa extensão utilizando dados de alta qualidade de Imagens Ponderadas em Difusão (DWI). Contudo, tratos de curta extensão, associados a diversas doenças neurológicas, colocam desafios específicos à essas redes, especialmente com aquisições de dados em ambientes clínicos. O objetivo deste trabalho foi avaliar a capacidade da rede U-Net na segmentação de tratos de curta extensão utilizando dados de DWI adquiridos em diferentes condições experimentais. Para isso, foram conduzidos três treinamentos diferentes com um total de 350 indivíduos saudáveis e 11 tratos da substância branca, incluindo comissura anterior, posterior e hipocampal, fórnix e fascículo uncinado. No primeiro experimento, o modelo foi treinado exclusivamente com dados de alta-qualidade do Projeto de Conectoma Humano (HCP). O segundo experimento foi focado em imagens de indivíduos saudáveis adquiridos em um hospital local, representando uma típica aquisição de rotina clínica. No último experimento, uma abordagem híbrida foi empregada, combinando imagens de ambos os conjuntos de dados. Por fim, o melhor modelo foi testado em 10 pacientes com epilepsia do hospital local e em 10 indivíduos saudáveis adquiridos em um scanner de uma empresa diferente. Os resultados do terceiro experimento mostraram notável aumento na performance do modelo em comparação com os outros experimentos. Especificamente, os tratos curtos do conjunto de dados do hospital local alcançaram pontuações Dice entre 0.60 e 0.75. Intervalos similares foram obtidos para os dados do HCP no primeiro experimento, eum aumento substancial para os dados do hospital local que nesse experimento apresentaram pontuações entre 0.37 e 0.50. Esse progresso se manteve mesmo aplicando o método em dados de pacientes com epilepsia e em scanners com diferentes aquisições. Esses resultados indicam que utilizar conjuntos de dados de diferentes fontes, junto com uma padronização das imagens, aumenta significativamente a capacidade de generalização da rede neural. É importante, contudo, reconhecer que essa performance está intrinsicamente ligada à composição dos conjuntos de dados de treinamento, validação e teste. Além de que, tratos pequenos e com maior nível de curvatura adicionam maior complexidade devido sua estrutura particular. Apesar dos resultados promissores, é necessário ter precaução ao extrapolar essa aplicação a dados adquiridos em circunstâncias distintas, seja em dados de maior qualidade ou analisando tratos de curta ou longa extensão
- Imprenta:
- Publisher place: Ribeirão Preto
- Date published: 2023
- Data da defesa: 01.11.2023
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
KONELL, Hohana Gabriela. Assessment of U-Net in the segmentation of short tracts: transferring to clinical MRI routine. 2023. Dissertação (Mestrado) – Universidade de São Paulo, Ribeirão Preto, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/59/59135/tde-02012024-090035/. Acesso em: 07 jun. 2024. -
APA
Konell, H. G. (2023). Assessment of U-Net in the segmentation of short tracts: transferring to clinical MRI routine (Dissertação (Mestrado). Universidade de São Paulo, Ribeirão Preto. Recuperado de https://www.teses.usp.br/teses/disponiveis/59/59135/tde-02012024-090035/ -
NLM
Konell HG. Assessment of U-Net in the segmentation of short tracts: transferring to clinical MRI routine [Internet]. 2023 ;[citado 2024 jun. 07 ] Available from: https://www.teses.usp.br/teses/disponiveis/59/59135/tde-02012024-090035/ -
Vancouver
Konell HG. Assessment of U-Net in the segmentation of short tracts: transferring to clinical MRI routine [Internet]. 2023 ;[citado 2024 jun. 07 ] Available from: https://www.teses.usp.br/teses/disponiveis/59/59135/tde-02012024-090035/
Informações sobre o DOI: 10.11606/D.59.2023.tde-02012024-090035 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
