Deep learning for corpus callosum segmentation in brain magnetic resonance images

Silva, Flávio Henrique Schuindt da

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/13035

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Farias, Ricardo Cordeiro de	-
dc.contributor.author	Silva, Flávio Henrique Schuindt da	-
dc.date.accessioned	2020-09-19T17:19:07Z	-
dc.date.available	2023-12-21T03:02:16Z	-
dc.date.issued	2018-03	-
dc.identifier.uri	http://hdl.handle.net/11422/13035	-
dc.description.abstract	In this work we present a novel method to segment Corpus Callosum in Magnetic Resonance Images (MRI) using U-Net, a Fully Convolutional Neural Network. We trained the U-Net using two public datasets and evaluated the trained model in a test set also obtained from these two public datasets. Results are obtained making comparisons using the Structural Similarity Index (SSIM) and Dice Coefficient between the Ground Truth and the Predicted image.	pt_BR
dc.language	eng	pt_BR
dc.publisher	Universidade Federal do Rio de Janeiro	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Deep Learning	pt_BR
dc.subject	Machine Learning	pt_BR
dc.subject	Healthcare	pt_BR
dc.subject	Brain	pt_BR
dc.subject	MRI	pt_BR
dc.subject	U-Net	pt_BR
dc.subject	Image Segmentation	pt_BR
dc.subject	Python	pt_BR
dc.subject	Tensorflow	pt_BR
dc.subject	Keras	pt_BR
dc.title	Deep learning for corpus callosum segmentation in brain magnetic resonance images	pt_BR
dc.title.alternative	Aprendizado profundo para segmentação do corpo caloso em imagens de ressonância magnética do cérebro	pt_BR
dc.type	Dissertação	pt_BR
dc.contributor.advisorLattes	http://lattes.cnpq.br/9063837162469343	pt_BR
dc.contributor.authorLattes	http://lattes.cnpq.br/4294454856698495	pt_BR
dc.contributor.referee1	França, Felipe Maia Galvão	-
dc.contributor.referee2	Zamith, Marcelo Panaro de Moraes	-
dc.description.resumo	Apresentamos neste trabalho um novo método para segmentar o Corpo Caloso em imagens de ressonância magnética (MRI) usando U-Net, uma rede puramente convolucional. Treinamos a U-Net usando dois datasets públicos e validamos o modelo treinado em um conjunto de teste também obtido a partir destes datasets públicos. Os resultados são obtidos realizando comparações usando o Índice de Similaridade Estrutural (SSIM) e o coeficiente Dice entre a imagem gabarito e a imagem gerada pelo modelo.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia	pt_BR
dc.publisher.program	Programa de Pós-Graduação em Engenharia de Sistemas e Computação	pt_BR
dc.publisher.initials	UFRJ	pt_BR
dc.subject.cnpq	CNPQ::ENGENHARIAS	pt_BR
dc.embargo.terms	aberto	pt_BR
Appears in Collections:	Engenharia de Sistemas e Computação

Files in This Item:

File	Description	Size	Format
FlavioHenriqueSchuindtDaSilva.pdf		5.09 MB	Adobe PDF	View/Open

Show simple item record Recommend this item View Statistics

Pantheon Institutional repository