Mostrar el registro sencillo del ítem

dc.contributor.authorSilva, Matheus Viana da
dc.date.accessioned2022-01-07T12:19:01Z
dc.date.available2022-01-07T12:19:01Z
dc.date.issued2021-11-08
dc.identifier.citationSILVA, Matheus Viana da. Quantificação da tortuosidade de vasos sanguíneos: definições e influência das etapas de realce e segmentação. 2021. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de São Carlos, São Carlos, 2021. Disponível em: https://repositorio.ufscar.br/handle/ufscar/15446.*
dc.identifier.urihttps://repositorio.ufscar.br/handle/ufscar/15446
dc.description.abstractMorphological features of blood vessels can be used as markers of several pathologies affecting the tissues of organisms. Among these features, tortuosity displays a vital role in the study and diagnostic of conditions that affect blood flow. Advances in computational power and imaging techniques have made it possible to develop automatic methodologies for quantifying tortuosity in images with hundreds or even thousands of blood vessels. These methodologies usually involve the enhancement, segmentation, and skeletonization of blood vessels, each of which has been studied in several works in the literature. Frequently, these works ignore the influence that blood vessel tortuosity has on the quality of the result. In particular, many of the developed algorithms are not focused on processing blood vessels with high tortuosity, which tend to be relevant for several diseases. As a result, systematic problems (or biases) on quantifying blood vessel tortuosity can occur, leading to wrong conclusions regarding the studied vessels. Thus, we studied the influence that tortuosity has on different stages of digital processing of blood vessel images, especially regarding the steps of enhancement and segmentation. Experiments performed with an artificial blood vessel generator suggest that biases may occur when using traditional enhancement algorithms in vessels with high tortuosity. Using real images of blood vessels in the retina, we identified that databases mainly composed of tortuous vessels may affect the quality of segmentation by deep learning methods, with possible overestimation of the average tortuosity value of a vessel network. The experiments with deep learning were expanded with a large dataset of confocal microscopy images of the mouse cortex. We found possible biases that can occur when using pre-trained off-the-shelf networks to perform morphometric analyses of blood vessels. In addition, we identified the possibility of mitigating part of those biases by a fine-tuning step performed with new datasets, or by expanding the training dataset with transformations applied to the original data. It is expected that the proposed analyzes will lead to an improvement in the accuracy of morphometric values obtained in frontier research regarding the cardiovascular system.eng
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)por
dc.language.isoporpor
dc.publisherUniversidade Federal de São Carlospor
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectTortuosidade de Vasos Sanguíneospor
dc.subjectMorfometria de vasos sanguíneospor
dc.subjectMicroscopia confocalpor
dc.subjectRetinografiapor
dc.subjectBlood vessel tortuosityeng
dc.subjectBlood vessel morphometryeng
dc.subjectConfocal microscopyeng
dc.subjectRetinographyeng
dc.titleQuantificação da tortuosidade de vasos sanguíneos: definições e influência das etapas de realce e segmentaçãopor
dc.title.alternativeQuantification of blood vessel tortuosity: definitions and influence of enhancement and segmentation stepseng
dc.typeDissertaçãopor
dc.contributor.advisor1Comin, Cesar Henrique
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/9563440403120931por
dc.description.resumoCaracterísticas morfológicas de vasos sanguíneos podem ser utilizadas como marcadores de diversas patologias que atingem os tecidos de um organismo animal. Dentre as medidas que podem ser aferidas em um vaso, a tortuosidade desempenha um papel importante no estudo e diagnóstico de distúrbios que afetam o fluxo sanguíneo. O avanço do poderio computacional e das técnicas de imageamento possibilitou a elaboração de metodologias automáticas de quantificação de tortuosidade em imagens possuindo centenas e até milhares de vasos sanguíneos. Essas metodologias usualmente necessitam das etapas de realce, segmentação e esqueletização dos vasos, sendo que cada uma destas etapas foi estudada em diversos trabalhos da literatura. Geralmente, tais trabalhos ignoram a influência que a tortuosidade dos vasos possui na qualidade do resultado. Em particular, muitos dos algoritmos desenvolvidos não são focados no processamento de vasos sanguíneos de alta tortuosidade, que tendem a possuir alta relevância para diversas patologias. Com isso, problemas sistemáticos na quantificação da tortuosidade dos vasos (vieses) podem ocorrer, levando a conclusões errôneas a respeito dos vasos estudados. Isto posto, neste trabalho estudamos a influência que a tortuosidade possui em diversas etapas do processamento digital de imagens de vasos sanguíneos, especialmente nas etapas de realce e segmentação. Experimentos realizados com um gerador de vasos sanguíneos artificial sugerem que possíveis vieses podem ocorrer ao utilizar métodos tradicionais da literatura para realçar vasos de alta tortuosidade. Utilizando imagens reais de vasos sanguíneos da retina, detectamos indícios de que bases de dados majoritariamente compostas por vasos tortuosos afetam a qualidade de segmentação por métodos de aprendizado profundo, com possível superestimação do valor médio de tortuosidade. Os experimentos com aprendizado profundo foram expandidos com uma extensa base de dados de microscopia confocal do córtex de camundongos, e foram encontrados possíveis vieses que podem ocorrer ao utilizar redes pré-treinadas para a morfometria de vasos sanguíneos. Ademais, identificamos a possibilidade de mitigar parte desses vieses por meio de refinamentos com novos conjuntos de dados, ou a partir da expansão da base de treinamento por meio de transformações aplicadas ao dado original. Esperamos que as análises propostas possam levar a um aumento da precisão de valores morfométricos obtidos em pesquisas de fronteira sobre o sistema cardiovascular.por
dc.publisher.initialsUFSCarpor
dc.publisher.programPrograma de Pós-Graduação em Ciência da Computação - PPGCCpor
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAOpor
dc.description.sponsorshipIdCapes/DS - 88882.426570/2019-01por
dc.publisher.addressCâmpus São Carlospor
dc.contributor.authorlatteshttp://lattes.cnpq.br/8238004891292817por


Ficheros en el ítem

Thumbnail
Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Attribution-NonCommercial-NoDerivs 3.0 Brazil
Excepto si se señala otra cosa, la licencia del ítem se describe como Attribution-NonCommercial-NoDerivs 3.0 Brazil