Publicação
Federated learning-based artifact correction in brain MRI scans in HPC environments
| Resumo: | A Ressonância Magnética (RM) tornou-se uma ferramenta imprescindível no diagnóstico médico, oferecendo uma visão profunda das complexidades do corpo humano. No entanto, a presença de artefactos, provenientes de várias fontes, como falhas de hardware, ou fenómenos fisiológicos, coloca desafios à qualidade da imagem. As anomalias relacionadas com o movimento, aliasing, suscetibilidade magnética e ruído destacam-se entre estes artefactos, exigindo esforços de correção específicos, e a integração de modelos de Aprendizagem Profunda apresenta uma via promissora para lidar com estes artefactos, visando não só uma melhor qualidade da imagem, mas também melhores resultados de diagnóstico. O processamento de imagens médicas depara-se com uma mudança de paradigma com o aparecimento da Computação de Alto Desempenho. O seu poder computacional revela-se fundamental no tratamento de conjuntos de dados extensos, especialmente no contexto do crescente volume e complexidade dos dados médicos. A integração de Aprendizagem Federada surge como uma abordagem complementar, que permite o treino de modelos de Aprendizagem Profunda diretamente nos dispositivos onde os dados são gerados, sem a necessidade de os transferir para um servidor central. Tal permite preservar a privacidade dos dados dos pacientes e aproveitar a capacidade de processamento distribuído. Este projeto apresenta o MOANA um sistema que explora a interação entre os algoritmos de Aprendizagem Profunda, a paralelização da Computação de Alto Desempenho e a incorporação de Aprendizagem Federada para formular um modelo para a correção de artefactos, que permita corrigir um maior volume de dados em menor tempo, mantendo o desempenho do modelo. Adicionalmente, foram aplicadas técnicas de pré-processamento de imagens, e a generalização do modelo foi validada em diversos conjuntos de dados. Os resultados demonstram que o MOANA conseguiu corrigir eficazmente os artefactos, com uma Métrica do Índice de Similaridade Estrutural (SSIM) de 0,9867 e uma Informação Mútua Normalizada (NMI) de 0,8260 para imagens T2w. Este projeto representa um avanço significativo no processamento de imagens médicas, contribuindo para o refinamento da precisão diagnóstica em exames de RM. |
|---|---|
| Autores principais: | Oliveira, Alícia Soares |
| Assunto: | Ressonância magnética Artefactos Aprendizagem profunda Computação de alto desempenho Aprendizagem federada Algoritmos de aprendizagem profunda Magnetic resonance imaging Artifacts Deep learning High-performance computing Federated learning Deep learning algorithms |
| Ano: | 2024 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade do Minho |
| Idioma: | inglês |
| Origem: | RepositóriUM - Universidade do Minho |
| Resumo: | A Ressonância Magnética (RM) tornou-se uma ferramenta imprescindível no diagnóstico médico, oferecendo uma visão profunda das complexidades do corpo humano. No entanto, a presença de artefactos, provenientes de várias fontes, como falhas de hardware, ou fenómenos fisiológicos, coloca desafios à qualidade da imagem. As anomalias relacionadas com o movimento, aliasing, suscetibilidade magnética e ruído destacam-se entre estes artefactos, exigindo esforços de correção específicos, e a integração de modelos de Aprendizagem Profunda apresenta uma via promissora para lidar com estes artefactos, visando não só uma melhor qualidade da imagem, mas também melhores resultados de diagnóstico. O processamento de imagens médicas depara-se com uma mudança de paradigma com o aparecimento da Computação de Alto Desempenho. O seu poder computacional revela-se fundamental no tratamento de conjuntos de dados extensos, especialmente no contexto do crescente volume e complexidade dos dados médicos. A integração de Aprendizagem Federada surge como uma abordagem complementar, que permite o treino de modelos de Aprendizagem Profunda diretamente nos dispositivos onde os dados são gerados, sem a necessidade de os transferir para um servidor central. Tal permite preservar a privacidade dos dados dos pacientes e aproveitar a capacidade de processamento distribuído. Este projeto apresenta o MOANA um sistema que explora a interação entre os algoritmos de Aprendizagem Profunda, a paralelização da Computação de Alto Desempenho e a incorporação de Aprendizagem Federada para formular um modelo para a correção de artefactos, que permita corrigir um maior volume de dados em menor tempo, mantendo o desempenho do modelo. Adicionalmente, foram aplicadas técnicas de pré-processamento de imagens, e a generalização do modelo foi validada em diversos conjuntos de dados. Os resultados demonstram que o MOANA conseguiu corrigir eficazmente os artefactos, com uma Métrica do Índice de Similaridade Estrutural (SSIM) de 0,9867 e uma Informação Mútua Normalizada (NMI) de 0,8260 para imagens T2w. Este projeto representa um avanço significativo no processamento de imagens médicas, contribuindo para o refinamento da precisão diagnóstica em exames de RM. |
|---|