Tese

Deep Learning Techniques for Content-based Medical Image Retrieval (2022)

• Authors:
  • Motta, Cezanne Alves Mendes
  • Traina, Agma Juci Machado (Orientador)
• Autor USP: MOTTA, CEZANNE ALVES MENDES - ICMC
• Unidade: ICMC
• Sigla do Departamento: SCC
• DOI: 10.11606/D.55.2022.tde-15092022-105141
• Subjects: DIAGNÓSTICO POR COMPUTADOR; DIAGNÓSTICO POR IMAGEM; APRENDIZADO COMPUTACIONAL; PROCESSAMENTO DE IMAGENS
• Keywords: Aprendizado profundo; Busca por imagem baseada em conteúdo; CBIR; Content-based image retrieval; Deep Learning; Imagens médicas; Medical images; Variational autoencoder
• Agências de fomento:
  • Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
• Language: Inglês
• Abstract: No contexto de Diagnóstico Assistido por Computador (CAD), às vezes não é suficiente que o sistema produza predições corretas. Quando os médicos estão seguros a respeito do diagnóstico de um caso em particular, eles podem aceitar ou desprezar a predição do sistema de acordo com suas próprias conclusões. Mas em casos em que os médicos estejam inseguros, eles podem não confiar na predição do sistema sem que haja alguma explicação para ela. No domínio médico, onde os usuários são ética e legalmente responsáveis por suas decisões, o sistema deve ser capaz de articular de alguma forma as razões de suas decisões. Uma estratégia que tem sido sugerida para prover esse suporte à decisão é a de recuperar imagens similares que já foram diagnosticadas. Dessa forma, os médicos podem, então, comparar os casos retornados ao caso em consideração e decidir se os diagnósticos desses se aplicam. Tradicionalmente, Recuperação de Imagens Médicas por Conteúdo (CBMIR) tem sido feita com representações projetadas manualmente. Apesar de demonstrar melhorias significativas em muitas outras tarefas de análise de imagens médicas, Deep Learning (DL) não é frequentemente utilizado em CBMIR. A maioria das abordagens atuais para integrar DL em CBMIR utiliza representações obtidas de modelos treinados para classificar imagens. Esses modelos tendem a aprender representações que captu- ram características que são correlacionadas com as classes e ignoram as características que não o são. Apesar de seremúteis parar classificar imagens, essas representações ignoram variações intra-classe que podem ser relevantes para encontrar imagens visualmente semelhantes. O ideal seria retornar casos com a maior similaridade visual possível, para que médicos possam ter mais confiança nas suas decisões, e não somente casos que pertençam à mesma classe. Autoencoders, por outro lado, são modelos de DL que visam aprender representações que descrevam fatores de variação intrínsecos do conjunto de dados. Este trabalho visa investigar e discutir o uso de DL para busca de imagens médicas, apresentando a fundamentação teórica e análise crítica das abordagens atuais encontradas na literatura. Também é apresentada uma abordagem para CBMIR baseada em Variational Autoencoders e mostrado que essa abordagem pode produzir resultados superiores àquelas baseadas puramente em classificação, e pode inclusive ser utilizada em conjunto com estas.
• Imprenta:
  • Publisher place: São Carlos
  • Date published: 2022
• Data da defesa: 08.07.2022

Informações sobre o DOI: 10.11606/D.55.2022.tde-15092022-105141 (Fonte: oaDOI API)
• Este periódico é de acesso aberto
• Este artigo é de acesso aberto
• URL de acesso aberto
• Cor do Acesso Aberto: gold
• Licença: cc-by-nc-sa

---

How to cite

A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

• ABNT

  MOTTA, Cezanne Alves Mendes. Deep Learning Techniques for Content-based Medical Image Retrieval. 2022. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2022. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-15092022-105141/. Acesso em: 02 jan. 2026.

• APA

  Motta, C. A. M. (2022). Deep Learning Techniques for Content-based Medical Image Retrieval (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-15092022-105141/

• NLM

  Motta CAM. Deep Learning Techniques for Content-based Medical Image Retrieval [Internet]. 2022 ;[citado 2026 jan. 02 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-15092022-105141/

• Vancouver

  Motta CAM. Deep Learning Techniques for Content-based Medical Image Retrieval [Internet]. 2022 ;[citado 2026 jan. 02 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-15092022-105141/

Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

• Variational autoencoders for medical image retrieval