Model-based deep learning to restore low-dose digital breast tomosynthesis images (2023)
- Authors:
- Autor USP: VIMIEIRO, RODRIGO DE BARROS - EESC
- Unidade: EESC
- Sigla do Departamento: SEL
- DOI: 10.11606/T.18.2023.tde-03012024-114253
- Subjects: MAMOGRAFIA; REDES NEURAIS; APRENDIZADO COMPUTACIONAL; IMAGEM
- Keywords: Aprendizado profundo; Aprendizado profundo baseado em modelo; Redes neurais convolucionais; Tomossíntese digital mamária
- Agências de fomento:
- Language: Inglês
- Abstract: A tomossíntese digital da mama (DBT) e a mamografia digital de campo total (FFDM) são os exames mais utilizados para rastreamento do câncer de mama. A dose de radiação é uma preocupação, visto que estes sistemas utilizam radiação ionizante. Embora os sistemas atuais operem dentro de margens seguras de radiação, há um desejo crescente de minimizar a dose de radiação sem comprometer a qualidade da imagem. As técnicas de restauração de imagens surgiram como ferramentas para melhorar a qualidade da imagem a partir de aquisições de baixa dose. Os métodos tradicionais de restauração baseiam-se em modelos matemáticos que representam a física de aquisição do sistema. As redes neurais convolucionais (CNN) são capazes de aprender a partir de dados e têm apresentado progresso substancial nos últimos anos. Este trabalho propõe uma estrutura híbrida de aprendizagem profunda baseada em modelo (MBDL) para a restauração de imagens DBT adquiridas com doses reduzidas de radiação, beneficiando-se das vantagens de ambos os campos. Especificamente, nossa hipótese é que a combinação de modelos matemáticos conhecidos com modelos baseados em dados (DB) pode melhorar os resultados de abordagens puramente MB ou DB. Primeiramente, investigamos a aplicação de uma arquitetura CNN para restaurar imagens FFDM, avaliando também a influência de diversas funções de custo e diversas estratégias de treinamento. Em segundo lugar, apresentamos uma abordagem MBDL inspirada em um framework projetado pararestaurar imagens mamográficas de baixa dose. Usamos um transformada de estabilização de variância (VST) e parâmetros conhecidos relacionados ao sistema para introduzir conhecimentos a priori implementados como camadas da rede neural. Três arquiteturas diferentes foram testadas e resultaram em um melhor desempenho em comparação com abordagens exclusivamente baseadas em dados. Finalmente, também propomos um método MBDL para restaurar imagens mamográficas corrompidas com ruído correlacionado espacialmente. Embora seja necessária uma validação adicional, os resultados preliminares indicam que o MBDL pode ser adequado para esta tarefa. Em conclusão, a sinergia entre métodos MB e abordagens de DB tem grande potencial a ser explorada, demonstrado pelos melhores resultados em relação aos modelos que não se beneficiam desses conhecimentos a priori
- Imprenta:
- Publisher place: São Carlos
- Date published: 2023
- Data da defesa: 06.11.2023
- 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
VIMIEIRO, Rodrigo de Barros. Model-based deep learning to restore low-dose digital breast tomosynthesis images. 2023. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/18/18152/tde-03012024-114253/. Acesso em: 29 maio 2024. -
APA
Vimieiro, R. de B. (2023). Model-based deep learning to restore low-dose digital breast tomosynthesis images (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/18/18152/tde-03012024-114253/ -
NLM
Vimieiro R de B. Model-based deep learning to restore low-dose digital breast tomosynthesis images [Internet]. 2023 ;[citado 2024 maio 29 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18152/tde-03012024-114253/ -
Vancouver
Vimieiro R de B. Model-based deep learning to restore low-dose digital breast tomosynthesis images [Internet]. 2023 ;[citado 2024 maio 29 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18152/tde-03012024-114253/ - Ferramenta para reconstrução de imagens de tomossíntese mamária e sua aplicação na análise do ruído em imagens reconstruídas
- Bayesian reconstruction for digital breast tomosynthesis using a non-local Gaussian Markov random field a priori model
- Noise measurements from reconstructed digital breast tomosynthesis
- Open-source reconstruction toolbox for digital breast tomosynthesis
- Evaluating the simulation of radiation dose reduction in a digital breast tomosynthesis system featuring an amorphous silicon (a-Si) detector
- Evaluating the simulation of radiation dose reduction in a digital breast tomosynthesis system featuring an amorphous silicon (a-Si) detector
Informações sobre o DOI: 10.11606/T.18.2023.tde-03012024-114253 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas