• 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
 
 
Tese de Doutorado
DOI
https://doi.org/10.11606/T.82.2020.tde-27022020-113956
Documento
Autor
Nome completo
José Raniery Ferreira Júnior
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Carlos, 2019
Orientador
Banca examinadora
Marques, Paulo Mazzoncini de Azevedo (Presidente)
Fabro, Alexandre Todorovic
Júnior, Edson Amaro
Rittner, Letícia
Traina, Agma Juci Machado
Zinader, Juliana Pereira de Souza
Título em português
Arcabouço para Classificação, Recuperação por Conteúdo e Radiômica de Imagens Médicas: uma investigação de biomarcadores quantitativos para o câncer de pulmão
Palavras-chave em português
Análise de imagens médicas
Câncer de pulmão
Classificação de imagens médicas
Radiômica
Reconhecimento de padrões
Recuperação de imagens baseada em conteúdo
Resumo em português
Sistemas de diagnóstico auxiliado por computador (do Inglês computer-aided diagnosis/ detection - CAD), recuperação de imagens baseada em conteúdo (do Inglês content-based image retrieval - CBIR) e radiômica (do Inglês radiomics) vêm sendo desenvolvidos com o objetivo de melhorar a acurácia diagnóstica, a consistência na interpretação de imagens médicas, a avaliação prognóstica do paciente e o suporte à decisão terapêutica. Estas ferramentas possuem grande potencial em reconhecer objetiva e precisamente padrões em imagens, porém ainda possuem diversas limitações. Este trabalho tentou diminuir as limitações de característica, referente à representação numérica ineficiente das imagens, e de desempenho, referente à qualidade baixa de integração sistemática, que estas ferramentas podem possuir. Alguns conjuntos de imagens de tomografia computadorizada de neoplasias pulmonares foram utilizados no desenvolvimento desta pesquisa retrospectiva. Modelos semiautomáticos de reconhecimento de padrões, utilizando segmentação por crescimento de região volumétrica, extração de atributos calibrados de imagens, classificação e recuperação por conteúdo, avaliação prognóstica e rede neural convolucional, foram desenvolvidos para compor um arcabouço de análise quantitativa de imagens médicas. Os modelos de CAD, CBIR e radiômica mostraram potencial de integração com sistemas de informação em radiologia e hospitalar para a rotina clínica. Este trabalho também desenvolveu e identificou diferentes variáveis quantitativas para a avaliação diagnóstica e prognóstica de diferentes doenças. O arcabouço pode proporcionar diversos biomarcadores computacionais de imagens e mais informações importantes para os especialistas, potencialmente auxiliando as tomadas de decisões radiológicas. Por fim, esta tese contribuiu para a identificação de uma assinatura radiômica de avaliação diagnóstica e prognóstica do câncer de pulmão para a estratificação de risco do paciente.
Título em inglês
Framework for Classification, Content-Based Retrieval, and Radiomics of Medical Images: an investigation of quantitative biomarkers for lung cancer.
Palavras-chave em inglês
Lung cancer
Medical image analysis,
Medical image classification, Content-based image retrieval
Pattern recognition
Radiomics
Resumo em inglês
Systems of computer-aided diagnosis (CAD), content-based image retrieval (CBIR), and radiomics have been developed to increase diagnostic accuracy, medical image interpretation consistency, patient prognostic assessment, and therapy decision support. Those tools have great potential to recognize objectively and precisely patterns in images, despite still having several limitations. This work aimed to decrease the feature gap, which refers to inefficient numeric representation of images, and the performance gap, which refers to low quality of systems integration, that those tools may have. Some datasets of computed tomography images of lung neoplasms were used during the development of this retrospective study. Semiautomatic models of pattern recognition, using volumetric region growing segmentation, fine-tuned image feature extraction, content-based retrieval and classification, prognosis evaluation, and convolutional neural network, were developed to build a medical image analysis framework. CAD, CBIR, and radiomics models disclosed potential to integrate with radiology and hospital information systems in clinical routine. This work also developed and identified different quantitative variables for diagnostic and prognostic assessment of different pathologies. The framework may provide several computational image biomarkers and more important information to specialists, potentially supporting imaging decision making. Finally, this thesis contributed to the identification of a radiomics signature to assess lung cancer diagnosis and prognosis for patient risk stratification.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2020-03-16
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2022. Todos os direitos reservados.