UMA METODOLOGIA PARA RECONSTRUÇÃO 3D DE IMAGENS MÉDICAS BASEADA EM ALGORITMOS BIO-INSPIRADOS E APRENDIZAGEM PROFUNDA
| dc.contributor.advisor | Paulo Sérgio Silva Rodrigues | |
| dc.contributor.advisorLattes | http://lattes.cnpq.br/0302011461580302 | |
| dc.contributor.author | ANTONIO GUSTAVO MUNIZ DA SILVA | |
| dc.contributor.author | GABRIEL BUENO VILA REAL DE OLIVEIRA | |
| dc.contributor.author | HENRIQUE VITAL CARVALHO | |
| dc.contributor.author | JOÃO VITOR DIAS DOS SANTOS | |
| dc.contributor.author | WEVERSON DA SILVA PEREIRA | |
| dc.date.accessioned | 2024-08-16T12:41:18Z | |
| dc.date.available | 2024-08-16T12:41:18Z | |
| dc.date.issued | 2022-12-06 | |
| dc.description.abstract | Os pontos fiduciais cefalométricos, estruturas anatômicas que definem a anatomia craniana, são frequentemente utilizados em técnicas empregadas por áreas como a da saúde, no planejamento cirúrgico (Gsaxner et al. (2019) e Jo et al. (2021)), e da ciência forense, para a identificação de correspondência craniofacial (Álvarez et al. (2018), Valsecchi, Damas e Cordon (2018) e Tan et al. (2020)). Entretanto, um importante desafio que ainda perdura na aplicação deste procedimento refere-se à dependência de profissionais especializados para identificação e definição de tais pontos. Para estimar esses pontos de forma automática, alguns trabalhos relevantes da literatura científica propõem o uso de algoritmos convencionais de classificação e regressão (Dabbah et al. (2014) e Wang et al. (2016)), porém novas abordagens utilizando redes neurais convolucionais têm sido propostas (Arik, Ibragimov e Xing (2017), Ma et al. (2020) e Kim et al. (2021)). Outro desafio é a reconstrução 3D de órgãos, que necessita ser extraída de imagens médicas segmentadas de forma precisa, de modo que os pontos fiduciais encontrados sejam localizados de forma correta. Para realizar essa segmentação, o uso de algoritmos bio-inspirados tem sido proposto, por se mostrarem úteis para encontrar os melhores limiares de segmentação de maneira eficiente (Ewees et al. (2020), Guilherme Alberto Wachs Lopes et al. (2020) e Larabi-Marie-Sainte, Alskireen e Alhalawani (2021)). Desse modo, o presente trabalho propõe um método de visualização de modelos 3D do crânio rotulado com pontos fiduciais cefalométricos. Esta abordagem consiste no uso de redes neurais convolucionais para a identificação automática de pontos fiduciais cefalométricos, assim como na utilização de algoritmos bio-inspirados na segmentação de imagens de Tomografia Computadorizada (TC) para reconstrução do modelo tridimensional. Após a realização dos experimentos, a arquitetura da rede neural proposta no presente trabalho atingiu uma média de distância euclidiana de 45.04 mm entre os pontos preditos e originais, superando a assertividade de predição dos pontos fiduciais cefalométricos de trabalhos relevantes da literatura. Além disso, foi possível concluir que o melhor algoritmo bio-inspirado para segmentação de imagens médicas foi o Elephant Herd Optimization (EHO), pois atingiu a melhor precisão em 27% das execuções quando comparado com os algoritmos Firefly Algorithm (FFA), Cuckoo Search (CS), Krill Herd (KH) e Colônia Artificial de Abelhas (ABC). | pt_BR |
| dc.format.extent | 125 | |
| dc.identifier.uri | https://repositorio.fei.edu.br/handle/FEI/5504 | |
| dc.language.iso | pt_BR | |
| dc.rights | Restrito | |
| dc.title | UMA METODOLOGIA PARA RECONSTRUÇÃO 3D DE IMAGENS MÉDICAS BASEADA EM ALGORITMOS BIO-INSPIRADOS E APRENDIZAGEM PROFUNDA | |
| dc.type | Trabalho de Conclusão de Curso | |
| fei.date.entrega | 2022 |