Aprendizado profundo para a segmentação de regiões teciduais em cirurgias minimamente invasivas
dc.contributor.advisor | Garcia, Marlon Rodrigues [UNESP] | |
dc.contributor.author | Zuanazzi, Thales Pimentel [UNESP] | |
dc.date.accessioned | 2024-07-30T18:59:31Z | |
dc.date.available | 2024-07-30T18:59:31Z | |
dc.date.issued | 2024-07-12 | |
dc.description.abstract | Este trabalho de conclusão de curso investigou o uso de aprendizado profundo para a segmentação de imagens em cirurgias laparoscópicas, com o objetivo de desenvolver e aplicar de maneira pratica técnicas de visão computacional e Inteligencia Artificial em cirurgias de laparoscopia. A pesquisa abordou a aplicação de redes neurais, especificamente a combinação de Redes Neurais Residuais (ResNet) e Autoencoders Convolucionais em Formato de U (U-Net), resultando na utilização da UResNet, uma arquitetura híbrida adaptada para segmentação das imagens em estudo. O estudo utilizou o Dresden Surgical Anatomy Dataset (DSAD), composto por mais de 13.000 imagens segmentadas de cirurgias robóticas assistidas. Ferramentas como a linguagem Python e as bibliotecas PyTorch, Torchmetrics, Torchvision, NumPy, Pandas, Matplotlib, PIL e TQDM foram essenciais para o desenvolvimento e treinamento dos modelos. O Google Colaboratory (Colab) foi utilizado para o processamento devido aos recursos computacionais gratuitos oferecidos. Além disso, o Método Taguchi foi empregado para otimizar os parâmetros da rede neural. Os experimentos realizados mostraram que a UResNet foi capaz de segmentar imagens cirúrgicas com uma acurácia de cerca de 85%, comparável à pesquisa original do DSAD. Os resultados demonstraram a eficácia das técnicas e modelos utilizados, com melhorias pequenas após refinamentos e retreinamento. As redes foram testadas em várias situações, desde imagens simples até complexas presentes no banco de dados, enfrentando desafios como ruídos e variações de iluminação. A pesquisa revelou limitações de processamento que necessitaram do uso do Google Colab, com um tempo de treinamento prolongado devido aos recursos computacionais limitados. Apesar disso, a viabilidade de redes neurais profundas para segmentação de tecidos em imagens médicas foi comprovada. O trabalho destacou a importância de um tratamento mais robusto das imagens e o uso de redes mais profundas em futuras pesquisas. O trabalho atingiu seus objetivos técnicos e acadêmicos, aprofundando o entendimento de ferramentas e técnicas avançadas de aprendizado profundo aplicadas à cirurgia laparoscópica. A tecnologia de segmentação de imagens médicas está em evolução e tem o potencial de se tornar uma ferramenta comum no cotidiano médico, auxiliando na identificação de tecidos e ferramentas cirúrgicas, contribuindo para procedimentos mais precisos e seguros. | pt |
dc.description.abstract | This work investigated the use of deep learning for image segmentation in laparoscopic surgeries, aiming to assist in the precise identification of anatomical structures during surgical procedures. The research focused on the application of neural networks, specifically the combination of Residual Neural Networks (ResNet) and U-Shaped Convolution Autoencoder (U-Net), resulting in the utilization of UResNet, a hybrid architecture adapted for the segmentation of the studied images. The study utilized the Dresden Surgical Anatomy Dataset (DSAD), composed of over 13,000 segmented images from assisted robotic surgeries. Tools such as Python language and the libraries PyTorch, Torchmetrics, Torchvision, NumPy, Pandas, Matplotlib, PIL, and TQDM were essential for the development and training of the models. Google Colaboratory (Colab) was used for processing due to the free computational resources offered. Additionally, the Taguchi Method was employed to efficiently optimize the neural network parameters. The experiments demonstrated that UResNet was capable of segmenting surgical images with an accuracy of about 85%, comparable to the original DSAD research. The results showed the effectiveness of the techniques and models used, with minor improvements following refinements and retraining. The networks were tested in various situations, from simple to complex images present in the dataset, facing challenges such as noise and lighting variations. The research revealed processing limitations that necessitated the use of Google Colab, with prolonged training times due to limited computational resources. Despite this, the feasibility of deep neural networks for tissue segmentation in medical images was proven. The study highlighted the importance of more robust image processing and the use of deeper networks in future research. The work achieved its technical and academic objectives, deepening the understanding of advanced deep learning tools and techniques applied to laparoscopic surgery. The technology of medical image segmentation is evolving and has the potential to become a common tool in everyday medical practice, assisting in the identification of tissues and surgical tools, contributing to more precise and safer procedures. | en |
dc.identifier.citation | ZUANAZZI, T. P. Aprendizado profundo para a segmentação de regiões teciduais em cirurgias minimamente invasivas. 2024. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica e de Telecomunicações) — Faculdade de Engenharia, Universidade Estadual Paulista "Júlio de Mesquita Filho", São João da Boa Vista, 2024. | |
dc.identifier.uri | https://hdl.handle.net/11449/256834 | |
dc.language.iso | por | |
dc.publisher | Universidade Estadual Paulista (Unesp) | |
dc.rights.accessRights | Acesso aberto | pt |
dc.subject | Inteligência artificial | pt |
dc.subject | Laparoscopia | pt |
dc.subject | Python (Linguagem de programação de computador) | pt |
dc.subject | Visão por computador | pt |
dc.title | Aprendizado profundo para a segmentação de regiões teciduais em cirurgias minimamente invasivas | pt |
dc.title.alternative | Deep learning for tissue region segmentation in minimally invasive surgeries | en |
dc.type | Trabalho de conclusão de curso | pt |
unesp.campus | Universidade Estadual Paulista (Unesp), Faculdade de Engenharia, São João da Boa Vista | pt |
unesp.examinationboard.type | Banca pública | pt |
unesp.undergraduate | São João da Boa Vista - FESJBV - Engenharia Eletrônica e de Telecomunicações | pt |
Arquivos
Pacote Original
1 - 1 de 1
Carregando...
- Nome:
- zuanazzi_tp_tcc_sjbv.pdf
- Tamanho:
- 4.35 MB
- Formato:
- Adobe Portable Document Format
Licença do Pacote
1 - 2 de 2
Nenhuma Miniatura disponível
- Nome:
- license.txt
- Tamanho:
- 2.14 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição:
Nenhuma Miniatura disponível
- Nome:
- zuanazzi_tp_autorizacao_sjbv.pdf
- Tamanho:
- 107.11 KB
- Formato:
- Adobe Portable Document Format
- Descrição: