Escolar Documentos
Profissional Documentos
Cultura Documentos
RIBEIRÃO PRETO
2020
2. RESUMO
5. OBJETIVOS
6 MÉTODOS
Este trabalho faz parte de uma linha de pesquisa utilizando uma base de dados
devidamente avaliada e aprovada pelo Comitê de Ética em Pesquisa (CEP) do Hospital
das Clínicas da Faculdade de Medicina de Ribeirão Preto da Universidade de São Paulo
– HCFMRP-USP, de acordo com o parecer de número 2.550.679 e o CAAE de número
84415318.8.0000.5440. A confirmação pode ser realizada pelo site da Plataforma Brasil
fornecendo um desses dois números de identificação.
Será utilizada neste trabalho a base de dados levantada pela aluna de doutorado Natália
Santana Chiari Correia, que é composta por exames de Ressonância Magnética
ponderados em T1 de 91 pacientes atendidos no Hospital das Clínicas da Faculdade de
Medicina de Ribeirão Preto da Universidade de São Paulo (HCFMRP-USP) e que foram
diagnosticados com fratura vertebral por compressão em ao menos um corpo vertebral
da região lombar. Todos os exames estão devidamente anonimizados.
Para treinar a rede, como mostrado na seção 4, é necessário inserir a imagem a ser
segmentada e a segmentação manual que servirá como padrão de referência para que
a rede possa aprender.
Para realizar a segmentação manual será utilizado o 3D Slicer (www.slicer.org),
que é um software livre para processamento de imagens médicas que é utilizada como
uma workstation típica da radiologia que independe de hardware específico.
Na etapa de treinamento e na etapa da segmentação, um radiologista sênior com
mais de 20 anos de experiência em radiologia do sistema musculoesquelético revisará
todos os resultados e as devidas correções serão feitas e reavaliadas.
Atualmente, as CNNs são uma das técnicas de aprendizado de máquina mais populares
nas tarefas de reconhecimento de imagem e aprendizado visual, devido à sua
característica única de preservar as relações de imagem local, enquanto realiza a
redução de dimensionalidade [9].
A rede que utilizaremos neste trabalho é conhecida como U-Net, que é uma rede
neural convolucional para segmentação rápida e precisa de imagens [10]. Uma
característica importante é que, diferente das demais CNNs, a arquitetura dessa rede
permite a utilização de poucos exemplos para treinamento. Como linguagem de
programação será utilizado o Python. Utilizaremos ainda o Keras, que é uma API de
alto-nível e código aberto, projetada para trabalhar com redes profundas.
6.5 Análise estatística
Para medir a similaridade entre as segmentações de referência e as geradas pela
CNN serão calculadas duas medidas de similaridade: o índice de Jaccard e coeficiente
de Sorensen-Dice.
O índice de Jaccard para avaliar a segmentação pode ser entendido como a
intersecção das duas segmentações dividida pela união delas, enquanto o coeficiente
de Sorensen-Dice é dado pelo dobro da intersecção das segmentações dividido pela
soma do número de pixels das duas segmentações.
10. REFERÊNCIAS