Trabalho de Conclusão do curso de Engenharia Biomédica da PUC-SP

INTELIGÊNCIA ARTIFICIAL APLICADA A CLASSIFICAÇÃO E SEGMENTAÇÃO DE IMAGENS MÉDICAS

• ANTONIO CARLOS BATISTA MORENO ac.moreno@icloud.com
• GABRIEL LOUIS PETROFF CORDOVIL bibocord@gmail.com
• IVAN MARREIROS HAZAN ivan.hazan@gmail.com
• PAULO CESAR ESTEVAM FILHO pcesar333@gmail.com

Introdução

O TCC consiste em uma plataforma de suporte ao diagnóstico clínico através da segmentação de tumores cerebrais em RM-3D, nódulos pulmonares em TC-3D e classificação de covid 19 em TC-2D.

Para utilizar a ferramenta acesse a pasta django_tcc execute o comando abaixo:

python manage.py runserver

acesse localhost:8000 após execução.

Para o treinamento de modelos acesse as subpastas de models e execute o código train.py (podem ser necessárias modificações de compatibilidade)

Dados para treinamento podem ser obtidos nas páginas oficiais das competições BraTS, LNDb ou no próprio Kaggle. Estes estão referenciados no final da página.

Requisitos

pip install -r requirements.txt

---

Metodologia

Todo o desenvolvimento do projeto e treinamento dos modelos foram realizados em dois computadores: I3-9100F + 1050TI 4GB e I78650U + 1060 6GB

Bibliotecas

Bibliotecas e Arquitetura

Parâmetros: 19,069,058

Datasets

---

Pipeline e Fluxogramas

• Sistema completo:

### Pre-processamento - BraTS:

- LNDB:

---

Resultados

3D Overlay

Model Performance

BraTS T1ce 64x64x64

Necrose e Enhancing Tumor Segmentation

Histograma	Boxplot

BraTS FLAIR 64x64x64

Tumor Core e Edema Segmentation

Histograma	Boxplot

BraTS T1-T2-FLAIR 64x64x64

Tumor Core e Edema Segmentation

Histograma Model XXX	Boxplot Model XXX

BraTS T1-T2-FLAIR 96x96x96

Tumor Core e Edema Segmentation

Histograma Model XXX	Boxplot Model XXX

LNDB TC-3D 64x64x64

Lung Nodule Segmentation

Histograma Model XXX	Boxplot Model XXX

COVID-19 TC-2D

COVID Classification

Referências

1. MICCAI. Multimodal brain tumor segmentation challenge 2020. Disponível em: https://www.med.upenn.edu/cbica/brats2020/. Acesso em: 2 Set. 2020.
2. ICIAR, International Conference on Image Analysis and Recognition. 17th International Conference on Image Analysis and Recognition. Disponível em: https://www.aimiconf.org/iciar20/. Acesso em: 17 jun. 2020.
3. LNDB. Grand challenge on automatic lung cancer patient management. Disponível em: https://lndb.grand-challenge.org/Evaluation/. Acesso em: 17 jun. 2020.
4. WANG, Shuai et al. A deep learning algorithm using CT images to screen for corona virus disease (COVID-19). Disponível em: https://www.medrxiv.org/content/10.1101/2020.02.14.20023028v4.full.pdf+html Acesso em: 10 Abr. 2020
5. SOARES, Eduardo et al. Sars-cov-2 ct-scan dataset: a large dataset of real patients ct scans for sars-cov-2 identification. Disponível em: https://www.medrxiv.org/content/10.1101/2020.04.24.20078584v3 acesso em: 17 jun. 2020.
6. Ronneberger, O., Fischer, P., Brox, T.: U-net: Convolutional networks for biomedical image segmentation. In: MICCAI. LNCS, vol. 9351, pp. 234–241. Springer (2015)
7. ELLIS, David. 3DUnetCNN. Disponível em: https://github.com/ellisdg/3DUnetCNN Acesso em: 20 Jun. 2020.
8. ITK, ITK/File Formats, Disponível em: https://itk.org/Wiki/ITK/File_Formats Acesso em: 7 Set. 2020.
9. DJANGO. Meet Django. Disponível em: https://www.djangoproject.com/ Acesso em 02 Mai. 2020.
10. KAGGLE. Covid-19 diagnosis from images using DenseNet121. Disponível em: https://www.kaggle.com/l12161/covid-19-diagnosis-from-images-using-densenet121. Acesso em: 17 Jun. 2020.