La segmentazione è una tecnica di computer vision che permette di riconoscere e classificare gruppi di pixel all'interno di un immagine come persone, animali o cose. Molte tecniche di segmentazione fanno uso del deep learning, pertanto per addestrare una rete per la segmentazione di un immagine 2D o 3D sono necessari un gran numero di immagini etichettate. In questa tesi vengono proposte alcune soluzioni per migliorare una rete CNN pre-addestrata per la segmentazione 2D e viene testata l'accuracy di una rete ottenuta dalla fusione tra un segmentatore 3D e un segmentatore 2D, in entrambi i casi lo scopo è quello di riuscire a rilevare tumori cerebrali a partire da una risonanza magnetica cerebrale con la maggior accuracy possibile.

Insieme di approcci per la segmentazione 3-D del tumore cerebrale

RUSSO, CHRISTIAN FRANCESCO
2021/2022

Abstract

La segmentazione è una tecnica di computer vision che permette di riconoscere e classificare gruppi di pixel all'interno di un immagine come persone, animali o cose. Molte tecniche di segmentazione fanno uso del deep learning, pertanto per addestrare una rete per la segmentazione di un immagine 2D o 3D sono necessari un gran numero di immagini etichettate. In questa tesi vengono proposte alcune soluzioni per migliorare una rete CNN pre-addestrata per la segmentazione 2D e viene testata l'accuracy di una rete ottenuta dalla fusione tra un segmentatore 3D e un segmentatore 2D, in entrambi i casi lo scopo è quello di riuscire a rilevare tumori cerebrali a partire da una risonanza magnetica cerebrale con la maggior accuracy possibile.
2021
Ensemble of approaches for 3-D brain tumor segmentation
deep learning
segmentazione 3D
tumore cerebrale
computer vision
CNN
File in questo prodotto:
File Dimensione Formato  
Russo_Christian Francesco.pdf

accesso aperto

Dimensione 1.69 MB
Formato Adobe PDF
1.69 MB Adobe PDF Visualizza/Apri

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/34552