• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Mémoire de Maîtrise
DOI
https://doi.org/10.11606/D.3.2020.tde-01042021-085104
Document
Auteur
Nom complet
Gabriel Ozeas de Oliveira
Adresse Mail
Unité de l'USP
Domain de Connaissance
Date de Soutenance
Editeur
São Paulo, 2020
Directeur
Jury
Gomi, Edson Satoshi (Président)
Fujita, André
Ito, Márcia
Titre en portugais
Geração de mapas de espessuras sintéticos por meio de redes generativas adversárias para o treinamento de redes neurais profundas para auxílio ao diagnóstico de glaucoma.
Mots-clés en portugais
Aprendizado de computador
Diagnóstico por computador
Glaucoma
Inteligência artificial
Redes neurais
Resumé en portugais
O glaucoma é o segundo causador de cegueira no mundo, atingindo estimadamente 76 milhões de pessoas em 2020. Devido a seu caráter irreversível, vários trabalhos de pesquisa na literatura apresentam métodos para o diagnóstico de glaucoma a fim de auxiliar na tomada de decisão do especialista. Alguns destes estudos empregam métodos de aprendizagem de máquina, apesar do lento e custoso processo de coleta de dados presente em várias áreas da medicina. Este trabalho apresentou uma análise sobre uso de redes generativas adversárias na geração de mapas de espessura RNFL (Retinal Nerve Fiber Layer) sintéticos para serem empregados no treinamento de classificadores para o diagnóstico de glaucoma. Especificamente, esta investigação tratou dos classificadores que utilizam redes neurais profundas e que necessitam de grande quantidade de dados para treinamento. Foram gerados mapas de espessura de RNFL sintéticos utilizando uma rede generativa adversária, criando 11 conjuntos de dados mistos com dados reais e dados sintéticos em diferentes proporções. Esses conjuntos de dados foram utilizados no treinamento de 8 redes neurais profundas para o auxílio ao diagnóstico de glaucoma. O desempenho dos classificadores foi medido através dos valores de AROC. Os melhores valores de AROC foram obtidos quando o conjunto de dados foi aumentado em 100 vezes, onde 50% dos dados eram sintéticos e 50% eram reais. O melhor valor de AROC foi 0,865, obtido pela rede VGG16. Tais resultados indicam que o uso de mapas de espessura de RNFL sintéticos gerados por redes generativas adversárias contribui para melhorar o desempenho de redes neurais profundas para o diagnóstico de glaucoma.
Titre en anglais
Geration of synthetic thickness maps through generative adversarial networks for training deep neural networks to assist glaucoma diagnosis.
Mots-clés en anglais
Convolutional neural networks
Generative adversarial networks
Glaucoma
Machine learning
Resumé en anglais
Glaucoma is the second leading cause of blindness in the world. Around 76 million people were affected by this disease in 2020. Due to the irreversible glaucoma nature, several studies in the literature presented early diagnosis methods to assist in decisionmaking specialists. Some of these studies employ machine learning methods despite the slow process of collecting data present in many medical fields. This work presents an analysis of generative adversarial networks in the generation of synthetic RNFL (retinal nerve fiber layer) thickness maps for use in the training of classifiers for the diagnosis of glaucoma. Mainly classifiers that use deep neural networks and require a large amount of data for training. Synthetic RNFL thickness maps were created using a generative adversarial network, creating 11 mixed datasets with real data and synthetic data in different proportions. These datasets were used in the training of 8 deep neural networks to aid in glaucoma diagnosis. Classifiers' performance was measured using AROC values. Increasing the dataset by one hundred times gave the best AROC values, where 50 % of the data were synthetic, and 50 % were real. The best AROC value was 0.865, obtained by the VGG16 network. Such results indicate that the use of synthetic RNFL thickness maps generated by generative adversarial networks contributes to improving the performance of deep neural networks for the diagnosis of glaucoma.
 
AVERTISSEMENT - Regarde ce document est soumise à votre acceptation des conditions d'utilisation suivantes:
Ce document est uniquement à des fins privées pour la recherche et l'enseignement. Reproduction à des fins commerciales est interdite. Cette droits couvrent l'ensemble des données sur ce document ainsi que son contenu. Toute utilisation ou de copie de ce document, en totalité ou en partie, doit inclure le nom de l'auteur.
Date de Publication
2021-04-01
 
AVERTISSEMENT: Apprenez ce que sont des œvres dérivées cliquant ici.
Tous droits de la thèse/dissertation appartiennent aux auteurs
CeTI-SC/STI
Bibliothèque Numérique de Thèses et Mémoires de l'USP. Copyright © 2001-2021. Tous droits réservés.