Análisis comparativo de Modelos de Segmentación en imágenes de tomografía computarizada (CT) del área abdominal
Loading...
Date
2024
Director
Journal Title
Journal ISSN
Volume Title
Publisher
Pontificia Universidad Javeriana Cali
Abstract
El presente trabajo de grado titulado “Análisis comparativo de Modelos de Segmentación en imágenes de tomografía computarizada (CT) del área abdominal” se propone desarrollar y comparar seis modelos de Deep Learning ampliamente utilizados en tareas de segmentación: U-Net, U-Net con Backbone VGG16, U-Net con Backbone ResNet50, SegNet, FPN con Backbone ResNet50 y LinkNet con Backbone VGG16. El objetivo principal de este estudio es determinar cuál de estos modelos ofrece el mejor rendimiento en términos de precisión, recall, coeficiente Dice, accuracy, IoU y loss, al segmentar imágenes de CT del área abdominal. El proyecto se estructura en varias etapas clave. En primer lugar, se lleva a cabo una recolección y procesamiento exhaustivo de los datos de CT abdominal, incluyendo técnicas de limpieza de artefactos y ruido adicional, así como el uso de Data Augmentation para aumentar la diversidad del conjunto de datos. Posteriormente, se implementan y entrenan los modelos de segmentación seleccionados utilizando plataformas avanzadas de computación, como Kaggle, ajustando los parámetros específicos para el problema en cuestión. La evaluación del rendimiento de cada modelo se realiza utilizando un conjunto de métricas rigurosas y específicas, tales como precisión, recall, coeficiente Dice, accuracy, IoU, loss, F1 y F2, permitiendo un análisis comparativo detallado de los resultados obtenidos. Además, se consideran aspectos como el tiempo de entrenamiento y la capacidad de generalización de los modelos a nuevos datos no vistos durante el entrenamiento.
Description
item.page.descriptioneng
The present thesis titled "Comparative Analysis of Segmentation Models in Abdominal Area Computed Tomography (CT) Images" aims to develop and compare six widely used Deep Learning models for segmentation tasks: U-Net, U-Net with VGG16 Backbone, U-Net with ResNet50 Backbone, SegNet, FPN with ResNet50 Backbone, and LinkNet with VGG16 Backbone. The main objective of this study is to determine which of these models offers the best performance in terms of precision, recall, Dice coefficient, accuracy, IoU, and loss when segmenting CT images of the abdominal area. The project is structured into several key stages. First, a thorough collection and processing of abdominal CT data is carried out, including artifact cleaning techniques and additional noise removal, as well as the use of Data Augmentation to increase the diversity of the dataset. Subsequently, the selected segmentation models are implemented and trained using advanced computing platforms, such as Kaggle, adjusting the specific parameters for the problem at hand. The performance evaluation of each model is carried out using a set of rigorous and specific metrics, such as precision, recall, Dice coefficient, accuracy, IoU, loss, F1, and F2, allowing for a detailed comparative analysis of the obtained results. Additionally, aspects such as training time and the models' generalization capacity to unseen data during training are considered.
Keywords
Segmentación, Modelos de deep learning, Tomografía computarizada, Segmentation, Deep learning models, Computed tomography