Detección de nódulos pulmonares usando una representación profunda de localización en secuencia de tomografía computarizada(DEEPLL)
Los nódulos son el principal indicador de cáncer de pulmón, generalmente observados como masas anormales en estudios de tomografía computarizada (TC). Sin embargo, en la rutina clínica se reporta una baja y muy variable sensibilidad, reportando resultados que van desde el 30% al 97%. Esta variación...
- Autores:
-
Hernaández Bautista, Jonathan Yesid
Villalba Roa, Dylan Yesid
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2023
- Institución:
- Universidad Industrial de Santander
- Repositorio:
- Repositorio UIS
- Idioma:
- spa
- OAI Identifier:
- oai:noesis.uis.edu.co:20.500.14071/14255
- Palabra clave:
- Tomografía computarizada
aprendizaje profundo
nódulos pulmonares
localización
cáncer.
Computed tomography
deep learning
pulmonary nodules
localization
cancer
- Rights
- openAccess
- License
- Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
| Summary: | Los nódulos son el principal indicador de cáncer de pulmón, generalmente observados como masas anormales en estudios de tomografía computarizada (TC). Sin embargo, en la rutina clínica se reporta una baja y muy variable sensibilidad, reportando resultados que van desde el 30% al 97%. Esta variación en la tarea de detección puede estar asociada a la variabilidad textural de los nódulos y a la subjetividad inherente a las observaciones de los expertos. A pesar de los múltiples enfoques para apoyar la detección de nódulos, la caracterización respectiva sigue siendo desafiante, especialmente para masas diminutas con sólo un 51% de sensibilidad. Este trabajo introduce una representación profunda YOLO multicanal que tiene la capacidad de localizar nódulos, representados a múltiples escalas en rutas de procesamiento independientes. El enfoque propuesto recupera cuadros delimitadores de diferentes rutas de procesamiento, localizando nódulos que pueden variar drásticamente en su tamaño. Además, en este trabajo se recuperan mapas de explicabilidad a partir de una eigen descomposición, que permite comparar las predicciones y reducir los falsos positivos. El enfoque propuesto se validó con respecto al conjunto de datos público LIDC, tomando nódulos con una mediana de acuerdo entre al menos tres radiólogos. En dicho conjunto de datos, el enfoque propuesto alcanzó un 88.01% de métrica de rendimiento competitivo (por sus siglas en inglés: CPM), y una sensibilidad del 93.64%. |
|---|