BAAnet: an efficient deep neural network for automatic bone age assessment

Página do item simplificado
dc.contributor.advisor1Soares, Anderson da Silva
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/1096941114079527pt_BR
dc.contributor.referee1Soares, Anderson da Silva
dc.contributor.referee2Carvalho, Hervaldo Sampaio
dc.contributor.referee3Costa, Ronaldo Martins da
dc.creatorPereira, Lucas Araújo
dc.creator.Latteshttp://lattes.cnpq.br/1277499670567123pt_BR
dc.date.accessioned2020-09-10T15:41:17Z
dc.date.available2020-09-10T15:41:17Z
dc.date.issued2020-07-14
dc.description.abstractThe task of bone age assessment is constantly performed by radiologists worldwide to aid in the diagnosis of metabolic and endocrine disorders in children. Currently, the most used methods to perform such task are manual methods based on image comparison developed between the 1950s and 1960s. These methods make the evaluation process long, tedious and costly, besides presenting high variability and uncertainty between examinations and also among examiners. This work starts describing the characteristics of the bone age evaluation problem. It then presents some automatic solutions proposed in the last decades. Later it describes the paradigm shift in the field of computer vision with the development of convolutional neural networks and automatic feature extraction strategies, but also points out the high computational cost of newly published neural networks when applied to high resolution images such as the ones from medical imaging applications. Finally, it proposes a novel convolutional neural network to perform the task of bone age assessment in a computationally efficient manner. This network is named BAAnet and it introduces a novel convolutional module called the Incremental Convolutional Estimation (ICE) module. We evaluate the module against two standard benchmarks and see an average relative improvement of approximately 10\% in performance. We also submitted an ensemble of BAAnet models for a competition organized by the Radiological Society of North America (RSNA) with the goal to obtain the lowest mean absolute error in a dataset of 14236 images collected for the event. Our submission finished third and had a mean absolute error of 4.38 months (less than 3\% lower than the first place) in a dataset of 200 images used exclusively for final evaluation of the competing models. BAAnet achieved this performance with a number of parameters and computational cost an order of magnitude smaller than the models in first and second places.eng
dc.description.provenanceSubmitted by Marlene Santos (marlene.bc.ufg@gmail.com) on 2020-09-09T22:27:19Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) dissertacão - Lucas Araújo Pereira - 2020.pdf: 4362012 bytes, checksum: dc34e9c9f197aea3593b5b73c045686a (MD5)en
dc.description.provenanceRejected by Luciana Ferreira (lucgeral@gmail.com), reason: ERRADO: dissertacão - Lucas Araújo Pereira - 2020.pdf CERTO: Dissertacão - Lucas Araújo Pereira - 2020.pdf MUDE O IDIOMA DO TEXTO, POIS ELE É EM INGLÊS on 2020-09-10T13:31:09Z (GMT)en
dc.description.provenanceSubmitted by Marlene Santos (marlene.bc.ufg@gmail.com) on 2020-09-10T15:10:33Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Dissertacão - Lucas Araújo Pereira - 2020.pdf: 4362012 bytes, checksum: dc34e9c9f197aea3593b5b73c045686a (MD5)en
dc.description.provenanceApproved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2020-09-10T15:41:17Z (GMT) No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Dissertacão - Lucas Araújo Pereira - 2020.pdf: 4362012 bytes, checksum: dc34e9c9f197aea3593b5b73c045686a (MD5)en
dc.description.provenanceMade available in DSpace on 2020-09-10T15:41:17Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Dissertacão - Lucas Araújo Pereira - 2020.pdf: 4362012 bytes, checksum: dc34e9c9f197aea3593b5b73c045686a (MD5) Previous issue date: 2020-07-14en
dc.description.resumoA tarefa de avaliação da idade óssea é constantemente realizada por radiologistas em todo o mundo para auxiliar no diagnóstico de distúrbios metabólicos e endócrinos em crianças. Atualmente, os métodos mais utilizados para realizar essa tarefa são os métodos manuais baseados na comparação de imagens desenvolvidos entre as décadas de 1950 e 1960. Esses métodos tornam o processo de avaliação longo, tedioso e dispendioso, além de apresentar alta variabilidade e incerteza entre exames e examinadores. Este trabalho começa descrevendo características do problema de avaliação da idade óssea. Em seguida, apresenta soluções automáticas propostas nas últimas décadas. Posteriormente, descreve a mudança de paradigma em visão computacional com o desenvolvimento de redes neurais convolucionais e estratégias de extração automática de características, mas também aponta o alto custo computacional das redes neurais recém-publicadas quando aplicadas a imagens de alta resolução, como as de aplicações de imagens médicas . Por fim, propõe uma nova rede neural convolucional para executar a tarefa de avaliação de idade óssea de maneira computacionalmente eficiente. Essa rede é denominada BAAnet e introduz um novo módulo convolucional chamado módulo de Estimativa Convolucional Incremental (ICE em inglês). Avaliamos o módulo em comparação com outros dois benchmarks e observamos uma melhoria relativa média de aproximadamente 10\% no desempenho. Também submetemos um conjunto de modelos da BAAnet para uma competição organizada pela Sociedade Radiológica da América do Norte (RSNA), com o objetivo de obter o menor erro absoluto médio no conjunto de dados de 14236 imagens disponibilizadas pelo evento. Nossa submissão terminou em terceiro e teve um erro absoluto médio de 4,38 meses (menos de 3\% abaixo do primeiro lugar) em um conjunto de dados de 200 imagens usadas exclusivamente para avaliação final dos modelos concorrentes. A BAAnet alcançou esse desempenho com parâmetros e custo computacional em ordens de magnitude menores que os demais modelos premiados.pt_BR
dc.description.sponsorshipOutropt_BR
dc.identifier.citationPEREIRA, L. A. BAAnet: an efficient deep neural network for automatic bone age assessment. 2020. 54 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Goiás, Goiânia, 2020.pt_BR
dc.identifier.urihttp://repositorio.bc.ufg.br/tede/handle/tede/10651
dc.languageengpt_BR
dc.publisherUniversidade Federal de Goiáspt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentInstituto de Informática - INF (RG)pt_BR
dc.publisher.initialsUFGpt_BR
dc.publisher.programPrograma de Pós-graduação em Ciência da Computação (INF)pt_BR
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectBone age assessmenteng
dc.subjectSkeletal maturity evaluationeng
dc.subjectConvolutional neural networkseng
dc.subjectDeep learningeng
dc.subjectMedical imagingeng
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.titleBAAnet: an efficient deep neural network for automatic bone age assessmentpt_BR
dc.typeDissertaçãopt_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
Dissertacão - Lucas Araújo Pereira - 2020.pdf
Tamanho:
4.16 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

Mestrado em Ciência da Computação (INF)