Use este identificador para citar ou linkar para este item:
https://repositorio.ufu.br/handle/123456789/46388| ORCID: |  http://orcid.org/0009-0001-5481-6422 |
| Tipo do documento: | Dissertação |
| Tipo de acesso: | Acesso Aberto |
| Título: | Avaliação de modelos de segmentação para remoção de ruídos em tomografias computadorizadas |
| Título(s) alternativo(s): | Evaluation of segmentation models for noise removal in computed tomography scans |
| Autor(es): | Carmo, Natalia Camillo do |
| Primeiro orientador: | Backes, André Ricardo |
| Primeiro membro da banca: | Paulino, Alessandra Aparecida |
| Segundo membro da banca: | Casanova, Dalcimar |
| Resumo: | A tomografia computadorizada de baixa dosagem (LDCT) reduz a exposição à radiação ionizante, mas gera imagens com ruído e perda de qualidade. Este trabalho analisa o uso de redes neurais convolucionais de segmentação para remoção de ruído em imagens LDCT, com o objetivo de preservar detalhes estruturais e relevantes. Foram avaliadas quatro arquiteturas: U-Net, LinkNet, PSPNet e MA-Net. Essas redes foram combinadas com diferentes backbones (ResNet50, VGG16, DenseNet121, Inceptionv4, MobileNetV2 e EfficientNet-B2). Utilizou-se o conjunto de dados AAPM 2016 da Mayo Clinic. Os resultados demonstram que a combinação U-Net + Inceptionv4 obteve o melhor desempenho, com PSNR de 48,797 e SSIM de 0,977, superando métodos tradicionais. As análises evidenciam que o uso de mecanismos de atenção e backbones mais avançados pode aprimorar a recuperação de detalhes em imagens ruidosas. |
| Abstract: | Low-dose computed tomography (LDCT) reduces exposure to ionizing radiation, but ge- nerates noisy images with poor quality. This work analyzes the use of convolutional neural networks for segmentation to remove noise from LDCT images, aiming to preserve structural details and relevant information. Four architectures were evaluated: U-Net, LinkNet, PSPNet, and MA-Net. These networks were combined with different backbones (ResNet50, VGG16, DenseNet121, Inceptionv4, MobileNetV2, and EfficientNet-B2). The AAPM 2016 dataset from the Mayo Clinic was used. The results demonstrate that the combination of U-Net + Incepti- onv4 obtained the best performance, with a PSNR of 48.797 and SSIM of 0.977, outperforming traditional methods. The analyses show that the use of more advanced attention mechanisms and backbones can improve detail recovery in noisy images. |
| Palavras-chave: | LDCT Remoção de ruídos Noise removal Redes de segmentação Segmentation networks Mecanismos de atenção Attention mechanisms Computação Computing |
| Área(s) do CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
| Assunto: | Computação Tomografia Computadorizada Radiação ionizante Redes neurais (Computação) |
| Idioma: | por |
| País: | Brasil |
| Editora: | Universidade Federal de Uberlândia |
| Programa: | Programa de Pós-graduação em Ciência da Computação |
| Referência: | CARMO, Natalia Camillo do. Avaliação de Modelos de Segmentação para Remoção de Ruídos em Tomografias Computadorizadas. 2025. 68 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2025. DOI http://doi.org/10.14393/ufu.di.2025.330 |
| Identificador do documento: | http://doi.org/10.14393/ufu.di.2025.330 |
| URI: | https://repositorio.ufu.br/handle/123456789/46388 |
| Data de defesa: | 10-Jun-2025 |
| Objetivos de Desenvolvimento Sustentável (ODS): | ODS::ODS 3. Saúde e bem-estar - Assegurar uma vida saudável e promover o bem-estar para todos, em todas as idades. |
| Aparece nas coleções: | DISSERTAÇÃO - Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| AvaliacaoModelosSegmentacao.pdf | Dissertação | 8.2 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
