BIBLIOS

   Sistema de Gestão de Referências Bibliográficas de Ciências

Modo Visitante (Login)
Need help?


Voltar

Detalhes Referência

Tipo
Documentos Académicos

Tipo de Documento
Dissertação de Mestrado

Título
Super-Resolution of Biomedical Images with Generative Adversarial Networks and posterior Tumor Segmentation

Participantes na publicação
Nuno Cruz Garcia (Author)
Dep. Informática
 LASIGE
 Pedro Tomás (Author)
INSTITUTO SUPERIOR TÉCNICO
Resumo
Imagiologia por Ressonância Magnética (IRM) é uma técnica dispendiosa que tipicamente está associada a longos temos de aquisição. Este processo pode ser acelerado ao reduzir a cobertura espacial. Porém, isto resulta numa baixa resolução e pode eventualmente levar a diagnósticos errôneos. Proveniente de recentes descobertas no campo da Inteligência Artificial, Redes Adversarias Generativas manifestaram-se como uma alternativa para recuperar RMs de alta resolução via super-resolução. Esta tese conduz uma revisão sobre métodos de SR baseados em GANs, exibindo a capacidade destas em melhor a resolução por um factor de x4, mantendo, simultaneamente, detalhes fiáveis e de alta frequência. Apesar dos resultados quantitativos sugerirem que o SRResCycGAN supera outros métodos populares na recuperação de imagens degradadas, os resultados qualitativos mostram que o Beby-GAN detém a melhor qualidade percetiva. É assim provado que os métodos baseados em GANs têm a capacidade para reduzir custos médicos e permitem aplicações de IRM onde é actualmente demasiado lento ou caro. Além disso, a Segmentação Tumoral é utilizada para validar a proficiência das GANs na tarefa de reconstrução de RMs. A Segmentação Tumoral das RMs sintetizadas expõe diferenças marginais, havendo assim uma janela para melhorias. Ademais, esta tese sugere uma cadeia de processos para um diagnóstico mais rápido onde se fundem Super-Resolução e Segmentação Tumoral. Essencialmente, os algoritmos de segmentação tumoral beneficiam de uma melhor resolução espacial derivada da super-resolução. O processo de diagnóstico é acelerado pela aquisição de RMs de baixa resolução e pela, subsequente, deteção automática dos tumores.

Data de Aceitação
2022-11-24
Data de Publicação
2022-11-24

Instituição
INSTITUTO SUPERIOR TÉCNICO

Identificadores da Publicação


Exportar referência

APA
Nuno Cruz Garcia, Pedro Tomás, (2022). Super-Resolution of Biomedical Images with Generative Adversarial Networks and posterior Tumor Segmentation.

IEEE
Nuno Cruz Garcia, Pedro Tomás, " Super-Resolution of Biomedical Images with Generative Adversarial Networks and posterior Tumor Segmentation", 2022.

BIBTEX
@MastersThesis{61694, author = {Nuno Cruz Garcia and Pedro Tomás}, title = { Super-Resolution of Biomedical Images with Generative Adversarial Networks and posterior Tumor Segmentation}, school = {INSTITUTO SUPERIOR TÉCNICO}, year = {2022}, OPTtype = {Documentos Académicos}, OPTmonth = {Nov} }