Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/13035
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorFarias, Ricardo Cordeiro de-
dc.contributor.authorSilva, Flávio Henrique Schuindt da-
dc.date.accessioned2020-09-19T17:19:07Z-
dc.date.available2020-09-21T03:00:07Z-
dc.date.issued2018-03-
dc.identifier.urihttp://hdl.handle.net/11422/13035-
dc.description.abstractIn 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.languageengpt_BR
dc.publisherUniversidade Federal do Rio de Janeiropt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectDeep Learningpt_BR
dc.subjectMachine Learningpt_BR
dc.subjectHealthcarept_BR
dc.subjectBrainpt_BR
dc.subjectMRIpt_BR
dc.subjectU-Netpt_BR
dc.subjectImage Segmentationpt_BR
dc.subjectPythonpt_BR
dc.subjectTensorflowpt_BR
dc.subjectKeraspt_BR
dc.titleDeep learning for corpus callosum segmentation in brain magnetic resonance imagespt_BR
dc.title.alternativeAprendizado profundo para segmentação do corpo caloso em imagens de ressonância magnética do cérebropt_BR
dc.typeDissertaçãopt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/9063837162469343pt_BR
dc.contributor.authorLatteshttp://lattes.cnpq.br/4294454856698495pt_BR
dc.contributor.referee1França, Felipe Maia Galvão-
dc.contributor.referee2Zamith, Marcelo Panaro de Moraes-
dc.description.resumoApresentamos 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.countryBrasilpt_BR
dc.publisher.departmentInstituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenhariapt_BR
dc.publisher.programPrograma de Pós-Graduação em Engenharia de Sistemas e Computaçãopt_BR
dc.publisher.initialsUFRJpt_BR
dc.subject.cnpqCNPQ::ENGENHARIASpt_BR
dc.embargo.termsabertopt_BR
Appears in Collections:Engenharia de Sistemas e Computação

Files in This Item:
File Description SizeFormat 
FlavioHenriqueSchuindtDaSilva.pdf5.09 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.