Identificação de patologias pulmonares em exames de tomografia computorizada
| dc.contributor.advisor | Barroso, João Manuel Pereira | |
| dc.contributor.advisor | Silva, José Silvestre Serra da | |
| dc.contributor.author | Vasconcelos, Verónica Maria Marques do Carreiro Silva | |
| dc.date.accessioned | 2018-03-21T10:05:49Z | |
| dc.date.available | 2018-03-21T10:05:49Z | |
| dc.date.embargolift | 2020-12-21 | |
| dc.date.issued | 2017-12-21 | |
| dc.description.abstract | A medicina moderna é cada vez mais baseada na evidência da imagem, sendo o recurso a técnicas complementares de diagnóstico uma prática comum nos centros hospitalares das sociedades modernas. O elevado volume de imagens gerado pelos novos equipamentos impulsionou o desenvolvimento de sistemas de Diagnóstico Assistido por Computador (DAC). Estes sistemas são, cada vez mais, uma ferramenta essencial, auxiliando os imagiologistas na deteção, quantificação, caracterização e acompanhamento de patologias. A Tomografia Computorizada de Alta Resolução (TCAR) é uma técnica imagiológica de referência no estudo de patologias pulmonares, nomeadamente da Doença Intersticial Pulmonar (DIP). Em imagens de TCAR a presença da DIP caracteriza-se por padrões imagiológicos específicos cujo reconhecimento é determinante para a elaboração de um diagnóstico correto. Em colaboração com o Centro Hospitalar e Universitário de Coimbra foram reunidos exames de pacientes a partir dos quais foram construídas duas bases de dados de padrões do tecido pulmonar associados ao enfisema, à DIP e ao pulmão saudável, tendo sido desenvolvida para o efeito a aplicação Lung Study Tool. Foram realizados testes comparativos para a diferenciação de regiões com padrão normal de regiões com enfisema, recorrendo a diversos métodos de análise de textura e considerando várias hipóteses relativamente às regiões de análise e ao algoritmo de aprendizagem automático considerado, o Support Vector Machines. Foi proposto e validado um sistema de DAC que permite a classificação de padrões do tecido pulmonar com base na análise da sua textura. Dada a heterogeneidade dos padrões pulmonares em estudo, verificou-se que a integração no sistema da análise de textura multiescala, recorrendo à lacunaridade diferencial, potenciou uma melhoria global no desempenho do sistema e aumentou a sua estabilidade. O sistema permitiu a diferenciação entre o padrão normal e padrões associados à DIP com uma exatidão de 96.4±1.3% e a categorização de todos os padrões pulmonares com uma exatidão global de 95.6±1.2%. | pt_PT |
| dc.description.abstract | Modern medicine is increasingly based on the evidence of the image, being the use of diagnostic techniques a common practice in hospitals of modern societies. The high number of images generated by new equipment boosted the development of Computer-Aided Diagnosis (CAD) systems that are an essential tool, supporting radiologists in the detection, quantification, characterization, and follow-up of diseases. High-resolution computed tomography (HRCT) is a reference imaging technique for the study of lung diseases, namely Interstitial Lung Disease (ILD). In HRCT images, the presence of ILD is characterized by specific lung tissue patterns whose recognition is decisive to a correct diagnosis. In collaboration with Coimbra Hospital and Universitary Center, images with lung tissue patterns associated with emphysema, ILD, and normal were gathered, and organized in two databases, having been developed the application Lung Study Tool for this purpose. Comparative tests were performed with the objective to differentiate lung regions with emphysema pattern from healthy pattern, using different methods of texture analysis and considering several hypotheses regarding the regions of analysis and the machine learning algorithm considered, the Support Vector Machines. Was proposed and validated a CAD system that allows the classification of lung tissue patterns based on texture analysis. Due to the heterogeneity of the lung patterns in study, it was verified that the integration of a multiscale texture analysis, using differential lacunarity, allowed an overall improvement in system performance and increased its stability. The system allowed the differentiation between normal and ILD patterns with an accuracy of 96.4 ± 1.3% and the categorization of all the lung patterns with an overall accuracy of 95.6 ± 1.2%. | pt_PT |
| dc.identifier.other | TID 101279418 | |
| dc.identifier.uri | http://hdl.handle.net/10348/8357 | |
| dc.language.iso | por | pt_PT |
| dc.rights | restricted access | pt_PT |
| dc.subject | Doença Intersticial Pulmonar | pt_PT |
| dc.subject | Tomografia Computorizada de Alta Resolução | pt_PT |
| dc.subject | Análise de Textura | pt_PT |
| dc.subject | Lacunaridade | pt_PT |
| dc.subject | Support Vector Machines | pt_PT |
| dc.subject | Diagnóstico Assistido por Computador | pt_PT |
| dc.title | Identificação de patologias pulmonares em exames de tomografia computorizada | pt_PT |
| dc.type | doctoral thesis | pt_PT |
| dspace.entity.type | Publication | en |