Efeito da deterioração em imagens por ressonância magnética sobre redes neurais profundas
DOI:
https://doi.org/10.33448/rsd-v11i9.31868Palavras-chave:
Imageamento por Ressonância Magnética; Tumores Cerebrais; Aprendizado profundo.Resumo
Nas últimas décadas, tarefas de classificação e segmentação de achados clínicos com uso de redes neurais convolucionais cresceram bastante na esfera do diagnóstico por imagem e, mais precisamente, na modalidade de imagem por ressonância magnética. Porém, pouco se sabe a respeito do comportamento dessas arquiteturas quando confrontadas com fatores que degradam a resolução espacial e a resolução de contraste, uma vez que a maioria dos modelos é treinada com imagens de alta qualidade, o que não é condizente com o cotidiano geral. Por isso, faz-se necessário analisar a performance das redes neurais pré-treinadas, sob condições em que haja deterioração da imagem de entrada. Neste trabalho, foram avaliados os efeitos da degradação de ambas as resoluções, tanto em tarefas de classificação quanto de segmentação de tumores cerebrais, para três arquiteturas: Mobilenet, Vgg16 e SEResNeXt50. Os resultados obtidos demonstraram que as tarefas executadas são muito afetadas pelas distorções na qualidade das imagens, em especial nos casos em que as deteriorações se tornam mais intensas.
Referências
Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., & Zheng, X. (2016). Tensorflow: Large-scale machine learning on heterogeneous distributed systems. ArXiv Preprint ArXiv:1603.04467.
Bu, R., Xiang, W., & Cao, S. (2022). COVID-19 Interpretable Diagnosis Algorithm Based on a Small Number of Chest X-Ray Samples. Journal of Shanghai Jiaotong University (Science), 27(1), 81-89.
Cheng, J., Huang, W., Cao, S., Yang, R., Yang, W., Yun, Z., & Feng, Q. (2015). Enhanced performance of brain tumor classification via tumor region augmentation and partition. PloS One, 10(10), e0140381.
Cheng, J., Yang, W., Huang, M., Huang, W., Jiang, J., Zhou, Y., & Chen, W. (2016). Retrieval of brain tumors by adaptive spatial pooling and fisher vector representation. PloS One, 11(6), e0157112.
Chollet, F. et al. Keras. (2015). https://keras.io/.
Conover, W. J. (1999). Practical nonparametric statistics. John Wiley & Sons.
Cui, S., Tseng, H. H., Pakela, J., Ten Haken, R. K., & El Naqa, I. (2020). Introduction to machine and deep learning for medical physicists. Medical Physics, 47(5), e127-e147.
Dodge, S., & Karam, L. (2016). Understanding how image quality affects deep neural networks. In 2016 Eighth International Conference on Quality of Multimedia Experience (QoMEX) (pp. 1-6). IEEE.
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., & Adam, H. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. ArXiv Preprint ArXiv:1704.04861.
Hu, J., Shen, L., & Sun, G. (2018). Squeeze-and-excitation networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 7132-7141).
Koziarski, M., & Cyganek, B. (2018). Impact of low resolution on image recognition with deep neural networks: An experimental study. International Journal of Applied Mathematics and Computer Science, 28(4).
Levene, H. (1961). Robust tests for equality of variances. Contributions to probability and statistics. Essays in Honor of Harold Hotelling, 279-292.
Lobo, L. C. (2017). Inteligência artificial e medicina. Revista Brasileira de Educação Médica, 41, 185-193.
McRobbie, D. W., Moore, E. A., Graves, M. J., & Prince, M. R. (2017). MRI from Picture to Proton. Cambridge University Press.
Munir, K., Elahi, H., Ayub, A., Frezza, F., & Rizzi, A. (2019). Cancer diagnosis using deep learning: a bibliographic review. Cancers, 11(9), 1235.
Van Rossum, G., & Drake, F. L. (2009). Python 3 Reference Manual. Scotts Valley, CA: CreateSpace.
Sahiner, B., Pezeshk, A., Hadjiiski, L. M., Wang, X., Drukker, K., Cha, K. H., Summers, R. M., & Giger, M. L. (2019). Deep learning in medical imaging and radiation therapy. Medical Physics, 46(1), e1–e36. https://doi.org/10.1002/mp.13264
Shaphiro, S., & Wilk, M. B. J. B. (1965). An analysis of variance test for normality. Biometrika, 52(3), 591-611.
Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. ArXiv Preprint ArXiv:1409.1556.
Sola, J., & Sevilla, J. (1997). Importance of input data normalization for the application of neural networks to complex industrial problems. IEEE Transactions on Nuclear Science, 44(3), 1464-1468.
Stadler, A., Schima, W., Ba-Ssalamah, A., Kettenbach, J., & Eisenhuber, E. (2007). Artifacts in body MR imaging: their appearance and how to eliminate them. European Radiology, 17(5), 1242-1255.
Thambawita, V., Strümke, I., Hicks, S. A., Halvorsen, P., Parasa, S., & Riegler, M. A. (2021). Impact of Image Resolution on Deep Learning Performance in Endoscopy Image Classification: An Experimental Study Using a Large Dataset of Endoscopic Images. Diagnostics, 11(12), 2183.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Carlos Leandro Silva dos Prazeres; Perseu Lúcio Alexander Helene de Paula; Mozart Nolasco Monte; Marcela Costa Alcântara Estácio ; Esdras Adriano Barbosa dos Santos; Laelia Campos
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
