A carregar...
Publicação
Semi-automatic Evaluation of Fetal Growth Restriction using Ultrasound Images
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 13.69 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Fetal growth restriction (FGR) is a condition where the developing fetus is unable to achieve
the expected growth potential for its gestational age. It is the second leading cause of perinatal
mortality and fetuses are more susceptible to the onset of numerous long-term diseases. Thus,
early diagnosis and effective monitoring of FGR are very important.
Ultrasound is the most widely used medical imaging technique for the diagnosis and
surveillance of growth-restricted fetuses. In current clinical practice, to obtain an estimate
of fetal age it is necessary to perform the measurement of four biometric indices. Apart from
manually tracing being time-consuming and highly dependent on clinicians, the intra- and
inter-observer variability influences the accuracy and consistency of measurements.
Since clinicians believe that the liver of fetuses in the lowest percentiles is one of the most
determinant indicators to detect changes in fetal development, this dissertation aimed to pro-
pose a novel approach that attempts to correlate the fetal liver echogenicity and the diagnosis
of FGR, using image processing techniques and Machine Learning models. One of the advan-
tages of this method is that it can improve the effectiveness of FGR diagnosis by eliminating
the need for an exhaustive collection of biometric indices.
To this purpose, a computer-assisted tool was developed which allows manual segmen-
tation of a portion of the fetal liver. Next, a textural analysis of the various segments was
performed. Finally, in order to identify the best classification model that distinguishes fetuses
with FGR from those with normal fetal growth based on their textural features, five supervised
learning models were trained and evaluated. After a comparative analysis, the results showed
that the model that produced the best results was the Decision Tree, with an accuracy of 0.77
and an area under the receiver operating characteristic (AUROC) curve of 0.62.
Although the results obtained cannot be considered highly conclusive due to the limited
and unrepresentative nature of the available dataset, it is possible to state that the proposed
approach is feasible and has the potential to establish a correlation between the echogenicity
of the fetal liver and changes in fetal development. However, to arrive at definitive conclusions,
it will be necessary to delve deeper into the study that has been initiated, using a larger volume
of data.
A restrição do crescimento fetal (RCF) ocorre quando o feto não atinge o potencial de cres- cimento determinado para a sua idade gestacional. É a segunda principal causa de morte perinatal e os fetos são mais suscetíveis a contrair inúmeras doenças a longo prazo. Desta forma, o diagnóstico precoce e a monitorização eficaz da RCF são muito importantes. A ecografia é a técnica de imagem médica mais utilizada para o diagnóstico e a vigilância de fetos com um crescimento restrito. Na prática clínica atual, para obter uma estimativa da idade do feto é necessário realizar a medição de quatro índices biométricos. Para além do rastreio manual ser demorado e muito dependente dos clínicos, a variabilidade intra- e inter-observadores influencia a precisão e consistência das medições. Dado que os clínicos acreditam que o fígado dos fetos nos percentis mais baixos é um dos indicadores mais determinantes para detetar alterações no desenvolvimento fetal, esta disser- tação teve como principal objetivo propor uma abordagem inovadora que tenta correlacionar a ecogenicidade do fígado fetal e o diagnóstico da RCF, utilizando técnicas de processamento de imagem e modelos de Aprendizagem Automática. Uma das vantagens deste método é que pode melhorar a eficácia do diagnóstico da RCF ao eliminar a necessidade de uma recolha exaustiva dos índices biométricos. Nesse sentido, foi desenvolvida uma ferramenta que permite realizar a segmentação ma- nual de uma porção do fígado fetal. Em seguida, foi realizada uma análise textural dos vários segmentos. Por último, de modo a identificar o modelo de classificação que melhor distingue os fetos com RCF dos fetos com um crescimento fetal normal com base nas suas caracterís- ticas texturais, foram treinados e avaliados cinco modelos de aprendizagem supervisionada. Após uma análise comparativa, foi possível concluir que o modelo que produziu os melhores resultados foi a Árvore de Decisão, com uma precisão de 0.77 e uma área sob a curva Receiver Operating Characteristic (ROC) de 0.62. Embora os resultados obtidos não se possam considerar muito conclusivos, uma vez que o conjunto de dados disponível era bastante limitado e pouco representativo, é possível afirmar que a abordagem proposta é viável e que apresenta potencial para estabelecer uma relação entre a ecogenicidade do fígado fetal e as alterações no desenvolvimento do feto. No entanto, para obter conclusões definitivas, será necessário aprofundar o estudo agora iniciado, recor- rendo a um maior volume de dados.
A restrição do crescimento fetal (RCF) ocorre quando o feto não atinge o potencial de cres- cimento determinado para a sua idade gestacional. É a segunda principal causa de morte perinatal e os fetos são mais suscetíveis a contrair inúmeras doenças a longo prazo. Desta forma, o diagnóstico precoce e a monitorização eficaz da RCF são muito importantes. A ecografia é a técnica de imagem médica mais utilizada para o diagnóstico e a vigilância de fetos com um crescimento restrito. Na prática clínica atual, para obter uma estimativa da idade do feto é necessário realizar a medição de quatro índices biométricos. Para além do rastreio manual ser demorado e muito dependente dos clínicos, a variabilidade intra- e inter-observadores influencia a precisão e consistência das medições. Dado que os clínicos acreditam que o fígado dos fetos nos percentis mais baixos é um dos indicadores mais determinantes para detetar alterações no desenvolvimento fetal, esta disser- tação teve como principal objetivo propor uma abordagem inovadora que tenta correlacionar a ecogenicidade do fígado fetal e o diagnóstico da RCF, utilizando técnicas de processamento de imagem e modelos de Aprendizagem Automática. Uma das vantagens deste método é que pode melhorar a eficácia do diagnóstico da RCF ao eliminar a necessidade de uma recolha exaustiva dos índices biométricos. Nesse sentido, foi desenvolvida uma ferramenta que permite realizar a segmentação ma- nual de uma porção do fígado fetal. Em seguida, foi realizada uma análise textural dos vários segmentos. Por último, de modo a identificar o modelo de classificação que melhor distingue os fetos com RCF dos fetos com um crescimento fetal normal com base nas suas caracterís- ticas texturais, foram treinados e avaliados cinco modelos de aprendizagem supervisionada. Após uma análise comparativa, foi possível concluir que o modelo que produziu os melhores resultados foi a Árvore de Decisão, com uma precisão de 0.77 e uma área sob a curva Receiver Operating Characteristic (ROC) de 0.62. Embora os resultados obtidos não se possam considerar muito conclusivos, uma vez que o conjunto de dados disponível era bastante limitado e pouco representativo, é possível afirmar que a abordagem proposta é viável e que apresenta potencial para estabelecer uma relação entre a ecogenicidade do fígado fetal e as alterações no desenvolvimento do feto. No entanto, para obter conclusões definitivas, será necessário aprofundar o estudo agora iniciado, recor- rendo a um maior volume de dados.
Descrição
Palavras-chave
Fetal Growth Restriction Liver Echogenecity Ultrasound Computer-assisted Tool Artificial Intelligence