A carregar...
Publicação
Conditional random fields improve the CNN-based prostate cancer classification performance
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 2.41 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Prostate cancer is a condition with life-threatening implications but without clear
causes yet identified.
Several diagnostic procedures can be used, ranging from human dependent and
very invasive to using state of the art non-invasive medical imaging. With recent
academic and industry focus on the deep learning field, novel research has been performed
on to how to improve prostate cancer diagnosis using Convolutional Neural
Networks to interpret Magnetic Resonance images.
Conditional Random Fields have achieved outstanding results in the image segmentation
task, by promoting homogeneous classification at the pixel level. A new
implementation, CRF-RNN defines Conditional Random Fields by means of convolutional
layers, allowing the end to end training of the feature extractor and classifier
models.
This work tries to repurpose CRFs for the image classification task, a more traditional
sub-field of imaging analysis, on a way that to the best of the author’s knowledge,
has not been implemented before.
To achieve this, a purpose-built architecture was refitted, adding a CRF layer as a
feature extractor step.
To serve as the implementation’s benchmark, a multi-parametric Magnetic Resonance
Imaging dataset was used, initially provided for the PROSTATEx Challenge
2017 and collected by the Radboud University.
The results are very promising, showing an increase in the network’s classification
quality.
Cancro da próstata é uma condição que pode apresentar risco de vida, mas sem causas ainda corretamente identificadas. Vários métodos de diagnóstico podem ser utilizados, desde bastante invasivos e dependentes do operador humano a métodos não invasivos de ponta através de imagens médicas. Com o crescente interesse das universidades e da indústria no campo do deep learning, investigação tem sido desenvolvida com o propósito de melhorar o diagnóstico de cancro da próstata através de Convolutional Neural Networks (CNN) (Redes Neuronais Convolucionais) para interpretar imagens de Ressonância Magnética. Conditional Random Fields (CRF) (Campos Aleatórios Condicionais) alcançaram resultados muito promissores no campo da Segmentação de Imagem, por promoverem classificações homogéneas ao nível do pixel. Uma nova implementação, CRF-RNN redefine os CRF através de camadas de CNN, permitindo assim o treino integrado da rede que extrai as características e o modelo que faz a classificação. Este trabalho tenta aproveitar os CRF para a tarefa de Classificação de Imagem, um campo mais tradicional, numa abordagem que nunca foi implementada anteriormente, para o conhecimento do autor. Para conseguir isto, uma nova arquitetura foi definida, utilizando uma camada CRF-RNN como um extrator de características. Como meio de comparação foi utilizada uma base de dados de imagens multiparamétricas de Ressonância Magnética, recolhida pela Universidade de Radboud e inicialmente utilizada para o PROSTATEx Challenge 2017. Os resultados são bastante promissores, mostrando uma melhoria na capacidade de classificação da rede neuronal.
Cancro da próstata é uma condição que pode apresentar risco de vida, mas sem causas ainda corretamente identificadas. Vários métodos de diagnóstico podem ser utilizados, desde bastante invasivos e dependentes do operador humano a métodos não invasivos de ponta através de imagens médicas. Com o crescente interesse das universidades e da indústria no campo do deep learning, investigação tem sido desenvolvida com o propósito de melhorar o diagnóstico de cancro da próstata através de Convolutional Neural Networks (CNN) (Redes Neuronais Convolucionais) para interpretar imagens de Ressonância Magnética. Conditional Random Fields (CRF) (Campos Aleatórios Condicionais) alcançaram resultados muito promissores no campo da Segmentação de Imagem, por promoverem classificações homogéneas ao nível do pixel. Uma nova implementação, CRF-RNN redefine os CRF através de camadas de CNN, permitindo assim o treino integrado da rede que extrai as características e o modelo que faz a classificação. Este trabalho tenta aproveitar os CRF para a tarefa de Classificação de Imagem, um campo mais tradicional, numa abordagem que nunca foi implementada anteriormente, para o conhecimento do autor. Para conseguir isto, uma nova arquitetura foi definida, utilizando uma camada CRF-RNN como um extrator de características. Como meio de comparação foi utilizada uma base de dados de imagens multiparamétricas de Ressonância Magnética, recolhida pela Universidade de Radboud e inicialmente utilizada para o PROSTATEx Challenge 2017. Os resultados são bastante promissores, mostrando uma melhoria na capacidade de classificação da rede neuronal.
Descrição
Dissertation submitted in partial fulfillment of the requirements for the degree of Master of Science in Advanced Analiytics
Palavras-chave
Prostate Cancer Convolutional Neural Networks Conditional Random Fields Cancro da próstata Redes Neuronais Convolucionais Campos Condicionais Aleatórios