Publicação: Comparação entre modelos de redes neurais U-Net e U-Net Fuzzy para mensurar regiões de imagens de ultrassonografia bovina
Carregando...
Tipo do documento
Data
Direito de acesso
Coleções
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA::MATEMATICA APLICADA::ANALISE NUMERICA
Título da Revista
ISSN da Revista
Título de Volume
Orientador
Coorientador
Santos, Caio Augusto
Resumo
A pecuária bovina é um dos pilares fundamentais da economia brasileira. A ultrassonografia
de carcaça permite mensurar, in vivo, a Área de Olho de Lombo (AOL) e as Espessuras de
Gordura Subcutânea do Lombo (EGL) e da Garupa (EGG), caracterı́sticas relacionadas à mus-
culosidade e desenvolvimento precoce de bovinos. Entretanto, a obtenção dessas medidas ainda
depende, predominantemente, da delimitação manual e interpretação realizadas por especialis-
tas, um processo subjetivo, demorado e suscetı́vel à variabilidade entre avaliadores. O objetivo
deste trabalho é desenvolver e comparar dois modelos para delimitar e mensurar automatica-
mente esses indicadores em imagens de ultrassom de duas raças bovinas. O primeiro modelo é
uma rede neural convolucional U-Net com abordagem Multitarefa e o segundo, U-Net Fuzzy,
é uma U-Net integrada ao Sistema de Inferência Neuro-Fuzzy Adaptativo, em inglês Adaptive
Neuro-Fuzzy Inference System (ANFIS). As imagens foram obtidas de animais vivos do Centro
Avançado de Pesquisa e Desenvolvimento de Bovinos de Corte, Instituto de Zootecnia, SAA-
SA, localizado em Sertãozinho - SP, totalizando 135 imagens, das quais 108 são da raça Nelore
e 27 da raça Caracu, que foram ampliadas por técnicas de expansão de dados, como a inclusão
das mesmas imagens com redução e aumento de brilho. As máscaras de segmentação utiliza-
das como referência, conhecidas como ground truth, foram criadas manualmente com o auxı́lio
de uma especialista, consistindo em imagens binárias utilizadas para isolar regiões especı́ficas
dentro da imagem, servindo como referência para o treinamento e avaliação dos modelos. O de-
sempenho dos modelos são avaliados por meio de métricas como acurácia, erro absoluto médio,
em inglês Mean Absolute Error (MAE) e o coeficiente de Dice, que quantifica a similaridade
entre a segmentação produzida pelo modelo e as máscaras de segmentação desenvolvidas pela
especialista. Os resultados indicam que o modelo U-Net Fuzzy é superior ao modelo U-Net
Multitarefa para mensurar os indicadores AOL e EGG em todas as métricas de avaliação, com
destaque para a acurácia de 95, 15% na AOL e 99, 95% na EGL. Em contrapartida, tanto a
U-Net Multitarefa quanto a U-Net Fuzzy apresentam desempenho semelhante para o indica-
dor EGG. Por fim, foi desenvolvido um aplicativo computacional capaz de detectar regiões
especı́ficas e medir automaticamente os indicadores de interesse em imagens de ultrassom de
bovinos utilizando ambos os modelos, podendo auxiliar nos processos de seleção e manejo dos
rebanhos.
Abstract
Beef cattle production is one of the fundamental pillars of the Brazilian economy. Carcass
ultrasonography enables the in vivo measurement of the Longissimus Muscle Area (LMA) and
the Backfat Thickness (BFT) and Rump Fat Thickness (RFT), traits associated with mus-
cularity and early development in cattle. However, obtaining these measurements still relies
predominantly on manual delineation and interpretation performed by specialists, making the
process subjective, time-consuming, and susceptible to inter-observer variability. The objec-
tive of this study is to develop and compare two models for the automatic segmentation and
measurement of these indicators in ultrasound images from two cattle breeds. The first model
is a multitask U-Net convolutional neural network, while the second, termed Fuzzy U-Net, in-
tegrates a U-Net architecture with an Adaptive Neuro-Fuzzy Inference System (ANFIS). The
images were obtained from live animals at the Advanced Center for Beef Cattle Research and
Development of the Institute of Animal Science (SAA-SP), located in Sertãozinho, São Paulo,
Brazil. A total of 135 images were collected, including 108 from the Nelore breed and 27 from
the Caracu breed. The dataset was expanded through data augmentation techniques, such as
the inclusion of images with increased and decreased brightness. The segmentation masks used
as reference, known as ground truth masks, were manually created with the assistance of a
specialist. These masks consisted of binary images used to isolate specific regions within the
ultrasound images, serving as references for model training and evaluation. Model performance
was assessed using metrics such as accuracy, Mean Absolute Error (MAE), and the Dice coeffi-
cient, which quantifies the similarity between the segmentation generated by the model and the
reference masks produced by the specialist. The results indicate that the Fuzzy U-Net model
outperforms the Multitask U-Net model in measuring the LMA and BFT indicators across all
evaluation metrics, achieving accuracies of 95.15% for LMA and 99.95% for BFT. In contrast,
both the Multitask U-Net and Fuzzy U-Net models exhibited similar performance for the RFT
indicator. Finally, a computational application was developed to automatically detect specific
regions and measure the indicators of interest in bovine ultrasound images using both models.
This tool has the potential to assist in cattle selection and herd management.
Palavras-chave
Ultrassonografia bovina, Delimitação de imagens, Redes neurais, U-Net, ANFIS, Bovine ultrasonography, Image delineation, Neural networks
Citação
LIMA, Victor Patrick Sena Barbosa. Comparação entre modelos de redes neurais U-Net e U-Net Fuzzy para mensurar regiões de imagens de ultrassonografia bovina. 2026. 136 f. Dissertação (Mestrado em Matemática) - Universidade Federal de Uberlândia, Uberlândia, 2026. DOI https://doi.org/10.14393/ufu.di.2026.523.
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto