Diseño y evaluacion de un sistema de inteligencia artificial (IA) basado en redes neuronales convolucionales (CNN) para la detección y clasificación de nódulo tiroideo por ultrasonido

Debido a los avances de medicina y al diseño e implementación de sistemas de inteligencia artificial, con la capacidad de detectar enfermedades, los expertos emplean los sistemas de asistencia por computador con un aliado en la toma de decisiones para el diagnóstico de enfermedades como el Cáncer de...

Full description

Autores:: Marconi Narváez, Boris Emel

Tipo de recurso:

Fecha de publicación:: 2022

Institución:: Universidad Autónoma de Bucaramanga - UNAB

Repositorio:: Repositorio UNAB

Idioma:: spa

id	UNAB2_c3c85f50cf0a101eecf0d44d67ad2874
oai_identifier_str	oai:repository.unab.edu.co:20.500.12749/18462
network_acronym_str	UNAB2
network_name_str	Repositorio UNAB
repository_id_str
dc.title.spa.fl_str_mv	Diseño y evaluacion de un sistema de inteligencia artificial (IA) basado en redes neuronales convolucionales (CNN) para la detección y clasificación de nódulo tiroideo por ultrasonido
dc.title.translated.spa.fl_str_mv	Design and evaluation of an artificial intelligence (AI) system based on convolutional neural networks (CNN) for the detection and classification of thyroid nodule by ultrasound
title	Diseño y evaluacion de un sistema de inteligencia artificial (IA) basado en redes neuronales convolucionales (CNN) para la detección y clasificación de nódulo tiroideo por ultrasonido
spellingShingle	Diseño y evaluacion de un sistema de inteligencia artificial (IA) basado en redes neuronales convolucionales (CNN) para la detección y clasificación de nódulo tiroideo por ultrasonido Medical sciences Health sciences Radiology Diagnostic imaging Neural networks Cancerous nodules Artificial intelligence Ultrasound in medicine Ciencias médicas Radiología Ciencias de la salud Inteligencia artificial Diagnóstico por imágenes Ultrasonido en medicina Nodulos Cáncerigenos Radiología Redes neuronales
title_short	Diseño y evaluacion de un sistema de inteligencia artificial (IA) basado en redes neuronales convolucionales (CNN) para la detección y clasificación de nódulo tiroideo por ultrasonido
title_full	Diseño y evaluacion de un sistema de inteligencia artificial (IA) basado en redes neuronales convolucionales (CNN) para la detección y clasificación de nódulo tiroideo por ultrasonido
title_fullStr	Diseño y evaluacion de un sistema de inteligencia artificial (IA) basado en redes neuronales convolucionales (CNN) para la detección y clasificación de nódulo tiroideo por ultrasonido
title_full_unstemmed	Diseño y evaluacion de un sistema de inteligencia artificial (IA) basado en redes neuronales convolucionales (CNN) para la detección y clasificación de nódulo tiroideo por ultrasonido
title_sort	Diseño y evaluacion de un sistema de inteligencia artificial (IA) basado en redes neuronales convolucionales (CNN) para la detección y clasificación de nódulo tiroideo por ultrasonido
dc.creator.fl_str_mv	Marconi Narváez, Boris Emel
dc.contributor.advisor.none.fl_str_mv	Lubinus Badillo, Federico Guillermo Ochoa Vera, Miguel Enrique Arias Trillos, Yhary Steffania
dc.contributor.author.none.fl_str_mv	Marconi Narváez, Boris Emel
dc.contributor.cvlac.spa.fl_str_mv	Ochoa Vera, Miguel Enrique [0000898465] Lubinus Badillo, Federico Guillermo [0001475552]
dc.contributor.orcid.spa.fl_str_mv	Ochoa Vera, Miguel Enrique [0000-0002-4552-3388] Lubinus Badillo, Federico Guillermo [0000-0003-1741-7016]
dc.contributor.scopus.spa.fl_str_mv	Ochoa Vera, Miguel Enrique [36987156500]
dc.contributor.researchgate.spa.fl_str_mv	Ochoa Vera, Miguel Enrique [Miguel_Ochoa7]
dc.subject.keywords.spa.fl_str_mv	Medical sciences Health sciences Radiology Diagnostic imaging Neural networks Cancerous nodules Artificial intelligence Ultrasound in medicine
topic	Medical sciences Health sciences Radiology Diagnostic imaging Neural networks Cancerous nodules Artificial intelligence Ultrasound in medicine Ciencias médicas Radiología Ciencias de la salud Inteligencia artificial Diagnóstico por imágenes Ultrasonido en medicina Nodulos Cáncerigenos Radiología Redes neuronales
dc.subject.lemb.spa.fl_str_mv	Ciencias médicas Radiología Ciencias de la salud Inteligencia artificial Diagnóstico por imágenes Ultrasonido en medicina
dc.subject.proposal.spa.fl_str_mv	Nodulos Cáncerigenos Radiología Redes neuronales
description	Debido a los avances de medicina y al diseño e implementación de sistemas de inteligencia artificial, con la capacidad de detectar enfermedades, los expertos emplean los sistemas de asistencia por computador con un aliado en la toma de decisiones para el diagnóstico de enfermedades como el Cáncer de la Tiroides. El trabajo de grado tuvo como objeto el diseño de un algoritmo basados en Redes Neuronales Convolucionales con la capacidad de detectar el nivel de riesgo en malignidad de un nódulo tiroideo, a partir de imágenes por ultrasonido, esto al emplear como base la clasificación EU TIRADS 2017. El trabajo se inició con la caracterización y clasificación de imágenes de los distintos tipos de nódulos tiroideos, a partir la experiencia de médicos con expertos en la identificación del grado de benignidad y malignidad de un nódulo tiroideo, al tener en cuenta el sistema clasificación EU TIRADS 2017, esto con el fin de generar una base de datos de imágenes apropiada para el proyecto. Se realizó el diseño de una red neuronal convolucional, con la ayuda del software matemático MATLAB 2021b, para el proceso de aprendizaje se logró obtener una base de imágenes de DICOM, que fue llevada a formato JPG, se obtuvo un total de 21.000 imágenes extraídas de equipos del ultrasonido del Servicio de Radiología (TOSHIBA APLIO 300,400) y del servidor del servicio de Radiología., de las cuales 17.000 se utilizaron en las fases de aprendizaje y entrenamiento, 4.000 para validación del algoritmo diseñada y 300 para el proceso de evaluación del desempeño de modelo diseñado. Se evaluó la variabilidad interobservador, se llevó a cabo un proceso de establecimiento de la precisión que ofrece el modelo para detectar y categorizar las imágenes de tiroides, esto a partir de pruebas estadísticas, y al compararlo con la clasificación de radiólogos con distintos niveles de experiencia. Para la comparativa con los radiólogos se llevaron a cabo dos sesiones de 75 imágenes, las cuales fueron presentadas de forma aleatoria, se empleó un radiólogo Senior con más de 10 años de experiencia, un radiólogo Junior con una experiencia menor a 10 años y un radiólogo residente de último año, los resultados obtenidos se entregaron a un epidemiólogo para su evaluación mediante el software estadístico Stata V14. Al tener en cuenta los resultados obtenidos el algoritmo desarrollado con Redes Neuronales Convolucionales una precisión de 0.995%, con un VPP de 0.97; el radiólogo senior una precisión de 97.05% y un VPP de 0.908; para el radiólogo junior la precisión fue de 90.84%, con un VPP de 1.0; y finalmente el radiólogo residente de último año tuvo un accuracy de 96.75%, con un VPP de 0.9624. Esto muestra en el sistema de IA con Redes Neuronales Convolucionales se puede emplear como una herramienta de apoyo a los radiólogos, para diagnóstico y valoración del nivel de benignidad o malignidad de nódulos tiroideos.
publishDate	2022
dc.date.accessioned.none.fl_str_mv	2022-11-24T14:33:59Z
dc.date.available.none.fl_str_mv	2022-11-24T14:33:59Z
dc.date.issued.none.fl_str_mv	2022
dc.type.driver.none.fl_str_mv	info:eu-repo/semantics/masterThesis
dc.type.local.spa.fl_str_mv	Tesis
dc.type.hasversion.none.fl_str_mv	info:eu-repo/semantics/acceptedVersion
dc.type.redcol.none.fl_str_mv	http://purl.org/redcol/resource_type/TM
status_str	acceptedVersion
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/20.500.12749/18462
dc.identifier.instname.spa.fl_str_mv	instname:Universidad Autónoma de Bucaramanga - UNAB
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional UNAB
dc.identifier.repourl.spa.fl_str_mv	repourl:https://repository.unab.edu.co
url	http://hdl.handle.net/20.500.12749/18462
identifier_str_mv	instname:Universidad Autónoma de Bucaramanga - UNAB reponame:Repositorio Institucional UNAB repourl:https://repository.unab.edu.co
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.references.spa.fl_str_mv	Abdolali, F., Kapur, J., Jaremko, J. L., & Noga, M. (2020). Automated thyroid nodule detection from ultrasound imaging using deep convolutional neural networks. Computers in Biology and Medicine, 122, 1-32. Obtenido de https://www.sciencedirect.com/science/article/abs/pii/S0010482520302262 Adebisi, O. A. (2020). Computer Aided Diagnosis System for Classification of Abnormalities in Thyroid Nodules Ultrasound Images using Deep Learning. IOSR Journal of Computer Engineering (IOSR-JCE), 22(3), 60-66. Obtenido de https://www.researchgate.net/profile/Oluwadare-Adebisi/publication/352905834_Computer_Aided_Diagnosis_System_for_Classification_of_Abnormalities_in_Thyroid_Nodules_Ultrasound_Images_using_Deep_Learning/links/60df230d299bf1ea9ed6c6a2/Computer-Aided-Diagnos Albawi, S., Mohammed, T. A., & Al-Zaw, S. (2017). Understanding of a convolutional neural network. 2017 International Conference on Engineering and Technology (ICET), 1-10. Obtenido de https://ieeexplore.ieee.org/abstract/document/8308186 Al-Salam, S., Sharma, C., Abu Sa’a, ,. M., Afandi, B., & Aldahmani, K. M. (2021). Ultrasound-guided fine needle aspiration cytology and ultrasound examination of thyroid nodules in the UAE: A comparison. Plos One, 1-24. Obtenido de https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0247807 Arias Trillos, Y. E. (2019). Sistema web de reconocimiento y clasificación de patologías a través de imágenes médicas basado en técnicas de aprendizaje de máquina. Repositorio Institucional - UNAB, 1-67. Obtenido de https://repository.unab.edu.co/bitstream/handle/20.500.12749/7053/2019_Tesis_YharyEstefania_Arias_Trillos.pdf?sequence=1&isAllowed=y Arias Trillos, Y. E. (2022). ma para la clasificación y reconocimeinto de imágenes de ultrasonido en tiroides, basado en técnicas de aprendizaje profundo, oara el apoyo en el proceso diagnóstico según la escala EU-TIRADS. Repositorio de la Universitat Politècnica de València, 1-75. Obtenido de https://riunet.upv.es/bitstream/handle/10251/183084/Arias%20-%20Sistema%20de%20la%20clasificacion%20y%20reconocimiento%20de%20imagenes%20de%20ultrasonido%20en%20tiroides%20basad....pdf?sequence=1&isAllowed=y Bai, Z., Chang, L., & Yu. Ruiguo, X. (2020). Thyroid nodules risk stratification through deep learning based on ultrasound images. Medical Physics, 47(12), 1-10. Obtenido de https://aapm.onlinelibrary.wiley.com/doi/abs/10.1002/mp.14543 Baldota, S., & Malathy, C. (2021). Classification of Ultrasound Thyroid Nodule Images by Computer-Aided Diagnosis: A Technical Review. Computational Vision and Bio-Inspired Computing, 353–368, 1-12. Obtenido de https://link.springer.com/chapter/10.1007/978-981-33-6862-0_30 Barrea, L., Gallo, M., Ruggeri, R. M., Di Giacinto, P., Sesti, F., & Prinzi, N. (2020). Nutritional status and follicular-derived thyroid cancer: An update. Critical Reviews in Food Science and Nutrition(61), 1-15. Obtenido de https://www.tandfonline.com/doi/abs/10.1080/10408398.2020.1714542 Bi, Q., & Goodman, K. E. (2019). What is Machine Learning? A Primer for the Epidemiologist. American Journal of Epidemiology, 188(12), 2222-2239. Obtenido de https://academic.oup.com/aje/article/188/12/2222/5567515 Buda, M. (2021). Management of Thyroid Nodules Seen on US Images: Deep Learning May Match Performance of Radiologists. RSNA - Radiology, 292(3), 292-304. Obtenido de https://pubs.rsna.org/doi/full/10.1148/radiol.2019181343 Bush, V. (1954). As we May Think. Reflections, 1-10. Obtenido de https://www.ias.ac.in/article/fulltext/reso/005/11/0094-0103 Cao, M., & Chen, W. (2018). Epidemiology of lung cancer in China. Thoracic Cancer, 10(1), 3-7. Obtenido de https://onlinelibrary.wiley.com/doi/full/10.1111/1759-7714.12916 Chartrand, G. (2017). Machine Learning for Medical Imaging. RSNA, 37, 1-14. Obtenido de https://pubs.rsna.org/doi/full/10.1148/rg.2017170077 Chen, Z. (2018). Lifelong Machine Learning, Second Edition: Synthesis Lectures on Artificial Intelligence and Machine Learning. Morgan & Claypool Publishers, 1-25. Obtenido de https://www.morganclaypool.com/doi/abs/10.2200/S00832ED1V01Y201802AIM037 Choy, G. (2018). Current Applications and Future Impact of Machine Learning in Radiology. NIH - National Library of Medicine, 288(2), 1-14. Obtenido de https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6542626/ Computer-Aided Diagnosis Systems in Diagnosing Malignant Thyroid Nodules on Ultrasonography: A Systematic Review and Meta-Analysis. (2019). European Tryroid Journal, 9(4), 186-193. Obtenido de https://etj.bioscientifica.com/view/journals/etj/9/4/ETJ504390.xml Constanza Pardo, R. C. (2018). Estimaciones de incidencia y mortalidad para los principales cinco tipos de cáncer en Colombia, 2007-2011. Repositorio DIGITAL Instituto Nacional de Cancerología, 1-12. Obtenido de https://colombiamedica.univalle.edu.co/index.php/comedica/article/download/3596/4300?inline=1 Curado, M. P., Edwards, B., Shin, H. R., Storm, H., & Feley, J. (2007). Cancer Incidence in Five Contenents - Volume IX. IARC Press, International Agency for Research on Cancer, 896. Dick, S. (2019). Artificial Intelligence. HDDR, 11, 1-14. Obtenido de https://hdsr.duqduq.org/pub/0aytgrau/release/1 do Nascimento, J. H., & Duval da Silva, V. (2009). Acurácia dos achados ultrassonográficos do câncer de mama: correlação da classificação BI-RADS® e achados histológicos. Artigos Originais, 42(4), 1-15. Obtenido de https://www.scielo.br/j/rb/a/NfP9c8ktqsGJYkQQhCvH9Fj/?format=html&lang=pt Ferlay, J., Colombet, M., Soerjomataram, I., Parkin, D. M., Piñeros, M., Znaor, A., & Bray, F. (2021). Cancer statistics for the year 2020: An overview. International Journal of Cancer, 149(4), 778-789. Obtenido de https://onlinelibrary.wiley.com/doi/full/10.1002/ijc.33588 Ferlay, J., Soerjomataram, I., Dikshit, R., & Eser, S. M. (2014). Cancer incidence and mortality worldwide: Sources, methods and major patterns in GLOBOCAN 2012. International Journal of Cancer, 136(5), 1-14. Obtenido de https://onlinelibrary.wiley.com/doi/full/10.1002/ijc.29210 Gao, L. (2017). Computer-aided system for diagnosing thyroid nodules on ultrasound: A comparison with radiologist-based clinical assessments. Wiley Online Lirary, 40(4), 778-783. Obtenido de https://onlinelibrary.wiley.com/doi/abs/10.1002/hed.25049 Gomes Ataide, E. J., Ponugoti, N., & Illanes, A. (2020). Thyroid Nodule Classification for Physician Decision Support Using Machine Learning-Evaluated Geometric and Morphological Features. Journal Sensors, 20(21), 1-10. Obtenido de https://www.mdpi.com/1424-8220/20/21/6110 Gong, H., Chen, G., Wang, R., Xie, X., Mao, M., & Yu, Y. (2021). Multi-Task Learning For Thyroid Nodule Segmentation With Thyroid Region Prior. 2021 IEEE 18th International Symposium on Biomedical Imaging (ISBI), 1-14. Obtenido de https://ieeexplore.ieee.org/abstract/document/9434087 Gu, J., & Wan, Z. (2018). Recent advances in convolutional neural networks. Pattern Recognition, 77, 354-377. Obtenido de https://www.sciencedirect.com/science/article/abs/pii/S0031320317304120 Gunning, D. (2019). XAI—Explainable artificial intelligence. Science Robotics, 4(37), 1-14. Obtenido de https://www.science.org/doi/abs/10.1126/scirobotics.aay7120 Han, M., Ha, E., & Park, H. (2021). Computer-Aided Diagnostic System for Thyroid Nodules on Ultrasonography: Diagnostic Performance Based on the Thyroid Imaging Reporting and Data System Classification and Dichotomous Outcomes. American Journal of Neuroradiology, 42 (3), 559-565. Obtenido de http://www.ajnr.org/content/42/3/559.abstract Haymart, M., & Benerjee, M. (2019). Thyroid Ultrasound and the Increase in Diagnosis of Low-Risk Thyroid Cancer. CEM The Journal of Clinical Encrinology & Metabolism, 1-16. Obtenido de https://academic.oup.com/jcem/article/104/3/785/5128913 Hong, S., Young-Joo, W., & Ran Park, Y. (2020). Cancer Statistics in Korea: Incidence, Mortality, Survival, and Prevalence in 2017. Kamje Synapse, 52(2), 335-350. Obtenido de https://synapse.koreamed.org/articles/1154445 Janiesch, C., Zschech, P., & Heinrich, K. (2021). Machine learning and deep learning. Electronic Markets, 31(5), 685-695. Obtenido de https://link.springer.com/article/10.1007/s12525-021-00475-2 Khan, S., & Yong, S.-P. (2018). A deep learning architecture for classifying medical images of anatomy object. Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA ASC), 1-10. Obtenido de https://ieeexplore.ieee.org/abstract/document/8282299 Khazaei, Z., Sohrabivafa, M., Victoria, M., Moayed, L., & Goodarzi, E. (2019). Global cancer statistics 2018: Globocan estimates of incidence and mortality worldwide prostate cancers and their relationship with the human development index. Journal of Advances in Human Biology, 9(3), 245-250. Obtenido de https://www.aihbonline.com/article.asp?issn=2321-8568;year=2019;volume=9;issue=3;spage=245;epage=250;aulast=Khazaei Kim, J., Gosnell, J. E., & Roman, S. A. (2020). Geographic influences in the global rise of thyroid cancer. Nature Reviews Endocrinology, 16, 17-29. Obtenido de https://www.nature.com/articles/s41574-019-0263-x Kitahara, C., & Sosa, J. (2020). Understanding the ever-changing incidence of thyroid cancer. Nature Reviews Endocrinology, 16, 617-618. Obtenido de https://www.nature.com/articles/s41574-020-00414-9 Li, M., & Dal Maso, L. (2020). Global trends in thyroid cancer incidence and the impact of overdiagnosis. Diabetes & Endocrinology, 8(6), 1-10. Obtenido de https://www.thelancet.com/journals/landia/article/PIIS2213-8587(20)30115-7/fulltext Li, X. (2019). Diagnosis of thyroid cancer using deep convolutional neural network models applied to sonographic images: a retrospective, multicohort, diagnostic study. The Lancet - Oncology, 20(2), 193-201. Obtenido de https://www.sciencedirect.com/science/article/abs/pii/S1470204518307629 Liang, L., Zheng, X.-C., Hu, M.-J., Zhang, Q., Wang, S.-Y., & Huang, F. (2019). Association of benign thyroid diseases with thyroid cancer risk: a meta-analysis of prospective observational studies. Journal of Endocrinological Investigation, 42(5), 673-685. Obtenido de https://link.springer.com/article/10.1007/s40618-018-0968-z Liu, T., Guo, Q., & Lian, C. (2019). Automated detection and classification of thyroid nodules in ultrasound images using clinical-knowledge-guided convolutional neural networks. Medical Image Analysis, 58(5), 1-14. Obtenido de https://www.sciencedirect.com/science/article/abs/pii/S1361841519300970 Long, K., Tang, L., & Pu, X. (2021). Probability-based Mask R-CNN for pulmonary embolism detection. Neurocomputing, 422(6), 345-353. Obtenido de https://www.sciencedirect.com/science/article/abs/pii/S0925231220315186 Ma, J. (2017). A pre-trained convolutional neural network based method for thyroid nodule diagnosis. Ultrasonics, 73(54), 221-230. Obtenido de https://www.sciencedirect.com/science/article/abs/pii/S0041624X16301913 Magri, F., Chytiris, S., & Croce, L. (2020). Performance of the ACR TI-RADS and EU TI-RADS scoring systems in the diagnostic work-up of thyroid nodules in a real-life series using histology as reference standard. European Journal of Endocrinology, 1-12. Obtenido de https://eje.bioscientifica.com/view/journals/eje/183/5/EJE-20-0682.xml Mahesh, B. (2018). Machine Learning Algorithms - A Review. International Journal of Science and Research (IJSR), 25(12), 1-25. Obtenido de https://www.researchgate.net/profile/Batta-Mahesh/publication/344717762_Machine_Learning_Algorithms_-A_Review/links/5f8b2365299bf1b53e2d243a/Machine-Learning-Algorithms-A-Review.pdf?eid=5082902844932096 Mamedov, U., & Khodjaeva, D. I. (2021). Modern Diagnostic Approachкеtreatment of Thyroid Cancer. International Journal of Development and Public Policy, 1(4), 1-14. Obtenido de http://openaccessjournals.eu/index.php/ijdpp/article/view/233 Maniakas, A., Davies, L., & Zafereo, M. E. (2018). Thyroid Disease Around the World. Otolaryngologic Clinics, 51(3), 631-642. Obtenido de https://www.oto.theclinics.com/article/S0030-6665(18)30014-8/fulltext Mattiuzzi, C., & Lippi, G. (2019). Current Cancer Epidemiology. National Library of Medicine, 9(4), 217-222. Obtenido de https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7310786/ McCarthy, J., Minsky, M. L., & Rochester, N. (2006). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955. IA Magazine, 27(4), 1-16. Obtenido de https://ojs.aaai.org/index.php/aimagazine/article/view/1904 Megan, H. (2021). Progress and Challenges in Thyroid Cancer Management. Endocrine Practice, 27(15), 1260-1263. Obtenido de https://www.sciencedirect.com/science/article/abs/pii/S1530891X21012349 Morales Olaya, A., Peña Galvis, D. V., & Pinto Murillo, P. D. (2022). Calidad de vida en pacientes diagnosticados con neoplasias malignas de cabeza y cuello en la ciudad de Bucaramanga, Colombia. Respositorio Institucional - Universidad Santo Tomas, 1-78. Obtenido de https://repository.usta.edu.co/handle/11634/44591 Nachiappan, A. C., Metwalli, Z. A., & Hailey, B. S. (2014). The Thyroid: Review of Imaging Features and Biopsy Techniques with Radiologic-Pathologic Correlation. RSNA - RadioGraphics, 34(2), 1-12. Obtenido de https://pubs.rsna.org/doi/full/10.1148/rg.342135067 Naga, I. E., & Murphy, M. J. (2015). What Is Machine Learning? Machine Learning in Radiation Oncology, 4(21), 1-13. Obtenido de https://link.springer.com/chapter/10.1007/978-3-319-18305-3_1 O'Shea, K., & Nash, R. (2015). An Introduction to Convolutional Neural Networks. Neural and Evolutionary Computing, 1-18. Obtenido de https://arxiv.org/abs/1511.08458 Pardo, C., & Cendales, R. (2018). Cancer incidence estimates and mortality for the top five cancer in Colombia, 2007-2011. Colombia Médica, 49(1), 16-22. Obtenido de https://colombiamedica.univalle.edu.co/index.php/comedica/article/view/3596 Park, ,. S., & Kim, S. H. (2010). Observer variability in the sonographic evaluation of thyroid nodules. Journal of Clinical Ultrasound, 38(6), 2887-293. Obtenido de https://onlinelibrary.wiley.com/doi/abs/10.1002/jcu.20689 Pellegriti, G., Frasca, F., Regalbuto, C., Squatrito, S., & Vigneri, R. (2013). Worldwide Increasing Incidence of Thyroid Cancer: Update on Epidemiology and Risk Factors. Journal of of Cancer Epidemiology, 2013, 1-19. Obtenido de https://www.hindawi.com/journals/jce/2013/965212/ Peng, S., Liu, Y., & Lv, W. (2021). Deep learning-based artificial intelligence model to assist thyroid nodule diagnosis and management: a multicentre diagnostic study. The Lancet Digital Health, 250-259. Obtenido de https://www.sciencedirect.com/science/article/pii/S2589750021000418 Radkiewicz, C. (2019). Sex and survival in non-small cell lung cancer: A nationwide cohort study. Plos One, 1-17. Obtenido de https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0219206 Rivillas García, J. C. (2018). Observatorio Nacional de Cáncer. Guía Metodológica - Dirección de Epidemiología y Demografía, 1-59. Obtenido de https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/VS/ED/GCFI/guia-ross-cancer.pdf Shin, H.-C., Roth, H. R., Gao, M., Lu, L., Xu, Z., & Nogues, I. (2016). Deep Convolutional Neural Networks for Computer-Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning. IEEE Transactions on Medical Imaging, 35(5), 1-16. Obtenido de https://ieeexplore.ieee.org/abstract/document/7404017 Song, W., Li, S., Liu, J., & Qin, H. (2019). Multitask Cascade Convolution Neural Networks for Automatic Thyroid Nodule Detection and Recognition. IEEE Journal of Biomedical and Health Informatics, 23(3), 1-13. Obtenido de https://ieeexplore.ieee.org/abstract/document/8402093 Sung, H., Ferlay, J., Siegel, R., & Laversanne, M. (2021). Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. A Cancer Journal for Clinicians, 71(3), 209-249. Obtenido de https://acsjournals.onlinelibrary.wiley.com/doi/full/10.3322/caac.21660 Tessler, F. N., Middleton, W. D., & Grant, E. G. (2017). ACR Thyroid Imaging, Reporting and Data System (TI-RADS): White Paper of the ACR TI-RADS Committee. Journal of the American College of Radiology, 14(5), 587-595. Obtenido de https://www.sciencedirect.com/science/article/abs/pii/S1546144017301862 Torres Cuevas, C. M., Espitia Guerrero, G. D., & Becerra Becerra, M. T. (2021). Experiencias de enfermería con pacientes oncológicos paliativos en servicios de urgencias en Bogotá, año 2021. Repositorio Institucional - Pontificia Universidad Javeriana, 1-13. Obtenido de https://repository.javeriana.edu.co/handle/10554/58183 Ultrasound Image-Based Diagnosis of Malignant Thyroid Nodule Using Artificial Intelligence. (2020). Sensor, 20(7), 1-15. Obtenido de https://www.mdpi.com/1424-8220/20/7/1822 Uribe, C. J., & Anaya Reyes, K. C. (2018). Carcinoma basocelular de piel en el área metropolitana de Bucaramanga, Colombia: una mirada epidemiológica. Revista de la Asocioación Colombiana de Dermatología y Cirugía Dermatológica, 26(1), 1-15. Obtenido de https://revista.asocolderma.org.co/index.php/asocolderma/article/view/26 Vaccarella, S., Dal Maso, L., Laversanne, M. F., & Plummer, M. F. (2015). The Impact of Diagnostic Changes on the Rise in Thyroid Cancer Incidence: A Population-Based Study in Selected High-Resource Countries. Mary Ann Liebert Inc Publisher, 25(10), 1-14. Obtenido de https://www.liebertpub.com/doi/abs/10.1089/thy.2015.0116 Vaccarella, S., Franceschi, S., & Bray, F. (2016). Worldwide Thyroid-Cancer Epidemic? The Increasing Impact of Overdiagnosis. The New England Journal of Medicine, 375, 614-617. Obtenido de https://www.nejm.org/doi/full/10.1056/NEJMp1604412 Valencia, O., Lopes, G., Sánchez, P., Acuña, L., & Uribe, D. (2016). Incidence and Prevalence of Cancer in Colombia: The Methodology Used Matters. Journal of Global Oncology, 15-32. Obtenido de https://scholar.google.com/scholar?hl=es&as_sdt=0%2C5&q=globocan+2015+colombia&oq=globocan+2015+colom Wang, L., Zhang, L., Zhu, M., & Qi, X. (2020). Automatic diagnosis for thyroid nodules in ultrasound images by deep neural networks. Medical Image Analysis, 61, 1-12. Obtenido de https://www.sciencedirect.com/science/article/abs/pii/S1361841520300311 Xuesi, M., Baohang, X., Yi, Z., & Lijuan, Z. (2020). A Machine Learning- Based Diagnosis of Thyroid Cancer Usisng Thyroid Nodules Ultrasound Images. Bentham Science Publishers, 15(4). Obtenido de https://www.ingentaconnect.com/content/ben/cbio/2020/00000015/00000004/art00011 Yamashita, R., Nishio, M., & Togashi, K. (2018). Convolutional neural networks: an overview and application in radiology. Insights into Imaging, 9, 611-629. Obtenido de https://link.springer.com/article/10.1007/s13244-018-0639-9 Yang, R. (2020). Comparison of Diagnostic Performance of Five Different Ultrasound TI-RADS Classification Guidelines for Thyroid Nodules. Frountiers in Oncology, 1-12. Obtenido de https://www.frontiersin.org/articles/10.3389/fonc.2020.598225/full Ye, H., Hang, J., & Chen, X. (2020). An intelligent platform for ultrasound diagnosis of thyroid nodules. Scientific Reports volume, 1-15. Obtenido de https://www.nature.com/articles/s41598-020-70159-y Yoon, J., Lee, E., & Kang, S.-W. (2021). Implications of US radiomics signature for predicting malignancy in thyroid nodules with indeterminate cytology. European Radiology volume, 31, 1-10. Obtenido de https://link.springer.com/article/10.1007/s00330-020-07670-3 Zhang, J., Liu, B.-J., & Xu, H.-X. (2015). Prospective validation of an ultrasound-based thyroid imaging reporting and data system (TI-RADS) on 3980 thyroid nodules. Nacional Library of Medicine(8), 5911-5917. Zhang, S., Huarui, D., Zhuang, J., & Zhang, Y. (2020). A Novel Interpretable Computer-Aided Diagnosis System of Thyroid Nodules on Ultrasound Based on Clinical Experience. IEEE Access (Volumen 8), 53223-53231. Obtenido de https://ieeexplore.ieee.org/abstract/document/9016204 Zhang, Y., Zhou, P., & Zhao, Y.-F. (2017). Usefulness of combined use of contrast-enhanced ultrasound and TI-RADS classification for the differentiation of benign from malignant lesions of thyroid nodules. European Radiology, 27(5), 1527-2536. Obtenido de https://link.springer.com/article/10.1007/s00330-016-4508-y Zhao, W.-J. (2019). Effectiveness evaluation of computer-aided diagnosis system for the diagnosis of thyroid nodules on ultrasound. Medicine, 98(32), 1-13. Obtenido de https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6709241/ Zhu, Y. C., Jin, P., & Bao, J. (2021). Thyroid ultrasound image classification using a convolutional neural network. National Library of Medicine, 1526-1539.
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.uri.*.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rights.local.spa.fl_str_mv	Abierto (Texto Completo)
dc.rights.creativecommons.*.fl_str_mv	Atribución-NoComercial-SinDerivadas 2.5 Colombia
rights_invalid_str_mv	http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) Atribución-NoComercial-SinDerivadas 2.5 Colombia http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.coverage.spatial.spa.fl_str_mv	Floridablanca (Santander, Colombia)
dc.coverage.temporal.spa.fl_str_mv	2022
dc.publisher.grantor.spa.fl_str_mv	Universidad Autónoma de Bucaramanga UNAB
dc.publisher.faculty.spa.fl_str_mv	Facultad Ciencias de la Salud
dc.publisher.program.spa.fl_str_mv	Especialización en Radiología e Imágenes Diagnósticas
institution	Universidad Autónoma de Bucaramanga - UNAB
bitstream.url.fl_str_mv	https://repository.unab.edu.co/bitstream/20.500.12749/18462/1/2022_Tesis_Marconi_Narvaez_Boris.pdf https://repository.unab.edu.co/bitstream/20.500.12749/18462/2/2022_Licencia_Marconi_Narvaez_Boris.pdf https://repository.unab.edu.co/bitstream/20.500.12749/18462/3/license.txt https://repository.unab.edu.co/bitstream/20.500.12749/18462/4/2022_Tesis_Marconi_Narvaez_Boris.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/18462/5/2022_Licencia_Marconi_Narvaez_Boris.pdf.jpg
bitstream.checksum.fl_str_mv	1e7e49d4fd54a88e3e16403dd0c4e8d2 fa1caf17e40660a4c9a95fbb5fc54553 3755c0cfdb77e29f2b9125d7a45dd316 95982c2409356b1aa8f0e60fd731e495 49734e32123b747b6fa59a881bd6d09f
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional \| Universidad Autónoma de Bucaramanga - UNAB
repository.mail.fl_str_mv	repositorio@unab.edu.co
_version_	1814277321476014080
spelling	Lubinus Badillo, Federico Guillermo00d95c52-cc02-44d8-8cc6-ac6cb2075662Ochoa Vera, Miguel Enriquebf83ca83-93c9-401e-91d3-b424889e868fArias Trillos, Yhary Steffania5170be43-cdd3-4cbd-98d9-34bac52ab5d6Marconi Narváez, Boris Emel00e8dc74-bae6-484c-ba39-f94aee28c7edOchoa Vera, Miguel Enrique [0000898465]Lubinus Badillo, Federico Guillermo [0001475552]Ochoa Vera, Miguel Enrique [0000-0002-4552-3388]Lubinus Badillo, Federico Guillermo [0000-0003-1741-7016]Ochoa Vera, Miguel Enrique [36987156500]Ochoa Vera, Miguel Enrique [Miguel_Ochoa7]Floridablanca (Santander, Colombia)20222022-11-24T14:33:59Z2022-11-24T14:33:59Z2022http://hdl.handle.net/20.500.12749/18462instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coDebido a los avances de medicina y al diseño e implementación de sistemas de inteligencia artificial, con la capacidad de detectar enfermedades, los expertos emplean los sistemas de asistencia por computador con un aliado en la toma de decisiones para el diagnóstico de enfermedades como el Cáncer de la Tiroides. El trabajo de grado tuvo como objeto el diseño de un algoritmo basados en Redes Neuronales Convolucionales con la capacidad de detectar el nivel de riesgo en malignidad de un nódulo tiroideo, a partir de imágenes por ultrasonido, esto al emplear como base la clasificación EU TIRADS 2017. El trabajo se inició con la caracterización y clasificación de imágenes de los distintos tipos de nódulos tiroideos, a partir la experiencia de médicos con expertos en la identificación del grado de benignidad y malignidad de un nódulo tiroideo, al tener en cuenta el sistema clasificación EU TIRADS 2017, esto con el fin de generar una base de datos de imágenes apropiada para el proyecto. Se realizó el diseño de una red neuronal convolucional, con la ayuda del software matemático MATLAB 2021b, para el proceso de aprendizaje se logró obtener una base de imágenes de DICOM, que fue llevada a formato JPG, se obtuvo un total de 21.000 imágenes extraídas de equipos del ultrasonido del Servicio de Radiología (TOSHIBA APLIO 300,400) y del servidor del servicio de Radiología., de las cuales 17.000 se utilizaron en las fases de aprendizaje y entrenamiento, 4.000 para validación del algoritmo diseñada y 300 para el proceso de evaluación del desempeño de modelo diseñado. Se evaluó la variabilidad interobservador, se llevó a cabo un proceso de establecimiento de la precisión que ofrece el modelo para detectar y categorizar las imágenes de tiroides, esto a partir de pruebas estadísticas, y al compararlo con la clasificación de radiólogos con distintos niveles de experiencia. Para la comparativa con los radiólogos se llevaron a cabo dos sesiones de 75 imágenes, las cuales fueron presentadas de forma aleatoria, se empleó un radiólogo Senior con más de 10 años de experiencia, un radiólogo Junior con una experiencia menor a 10 años y un radiólogo residente de último año, los resultados obtenidos se entregaron a un epidemiólogo para su evaluación mediante el software estadístico Stata V14. Al tener en cuenta los resultados obtenidos el algoritmo desarrollado con Redes Neuronales Convolucionales una precisión de 0.995%, con un VPP de 0.97; el radiólogo senior una precisión de 97.05% y un VPP de 0.908; para el radiólogo junior la precisión fue de 90.84%, con un VPP de 1.0; y finalmente el radiólogo residente de último año tuvo un accuracy de 96.75%, con un VPP de 0.9624. Esto muestra en el sistema de IA con Redes Neuronales Convolucionales se puede emplear como una herramienta de apoyo a los radiólogos, para diagnóstico y valoración del nivel de benignidad o malignidad de nódulos tiroideos.Planteamiento y Justificación del problema de investigación Objetivos Objetivo General Objetivos Específicos Antecedentes y Marco Teórico Diagnóstico Clasificación del Nódulo Tiroideo Inteligencia Artificial Estado del Arte Metodología Métodos Consideraciones Éticas Cronograma de actividades Discusión Limitaciones Conclusiones BibliografíaEspecializaciónDue to the advances in medicine and the design and implementation of artificial intelligence systems, with the ability to detect diseases, experts used computer assistance systems with an ally in decision-making for the diagnosis of diseases such as Cancer of the the Thyroid. The purpose of the degree work was the design of an algorithm based on Convolutional Neural Networks with the ability to detect the level of risk in malignancy of a thyroid nodule, from ultrasound images, using the EU TIRADS 2017 classification as a basis. The work began with the characterization and classification of images of the different types of thyroid nodules, based on the experience of physicians with experts in the identification of the degree of benign and malignant thyroid nodule, taking into account the EU classification system. TIRADS 2017, this in order to generate a database of appropriate images for the project. The design of a convolutional neural network was carried out, with the help of the mathematical software MATLAB 2021b, for the learning process it was possible to obtain a base of DICOM images, which was taken to JPG format, a total of 21,000 images were obtained from ultrasound equipment from the Radiology Service (TOSHIBA APLIO 300,400) and from the Radiology Service server, of which 17,000 were used in the learning and training phases, 4,000 for validation of the designed algorithm and 300 for the performance evaluation process of designed model. Inter-observer variability was evaluated, a process was carried out to establish the precision offered by the model to detect and categorize thyroid images, based on statistical tests, and by comparing it with the classification of radiologists with different levels of experience. . For the comparison with the radiologists, two sessions of 75 images were carried out, which were presented randomly, a Senior radiologist with more than 10 years of experience, a Junior radiologist with less than 10 years of experience and a radiologist Last year resident, the results obtained were delivered to an epidemiologist for evaluation using Stata V14 statistical software. When taking into account the results obtained, the algorithm developed with Convolutional Neural Networks has a precision of 0.995%, with a VPP of 0.97; the senior radiologist an accuracy of 97.05% and a PPV of 0.908; for the junior radiologist, the accuracy was 90.84%, with a PPV of 1.0; and finally, the last-year resident radiologist had an accuracy of 96.75%, with a PPV of 0.9624. This shows that the AI system with Convolutional Neural Networks can be used as a support tool for radiologists, for diagnosis and assessment of the level of benign or malignant thyroid nodules.application/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)Atribución-NoComercial-SinDerivadas 2.5 Colombiahttp://purl.org/coar/access_right/c_abf2Diseño y evaluacion de un sistema de inteligencia artificial (IA) basado en redes neuronales convolucionales (CNN) para la detección y clasificación de nódulo tiroideo por ultrasonidoDesign and evaluation of an artificial intelligence (AI) system based on convolutional neural networks (CNN) for the detection and classification of thyroid nodule by ultrasoundEspecialistas en Radiología e Imágenes DiagnósticasUniversidad Autónoma de Bucaramanga UNABFacultad Ciencias de la SaludEspecialización en Radiología e Imágenes Diagnósticasinfo:eu-repo/semantics/masterThesisTesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/redcol/resource_type/TMMedical sciencesHealth sciencesRadiologyDiagnostic imagingNeural networksCancerous nodulesArtificial intelligenceUltrasound in medicineCiencias médicasRadiologíaCiencias de la saludInteligencia artificialDiagnóstico por imágenesUltrasonido en medicinaNodulos CáncerigenosRadiologíaRedes neuronalesAbdolali, F., Kapur, J., Jaremko, J. L., & Noga, M. (2020). Automated thyroid nodule detection from ultrasound imaging using deep convolutional neural networks. Computers in Biology and Medicine, 122, 1-32. Obtenido de https://www.sciencedirect.com/science/article/abs/pii/S0010482520302262Adebisi, O. A. (2020). Computer Aided Diagnosis System for Classification of Abnormalities in Thyroid Nodules Ultrasound Images using Deep Learning. IOSR Journal of Computer Engineering (IOSR-JCE), 22(3), 60-66. Obtenido de https://www.researchgate.net/profile/Oluwadare-Adebisi/publication/352905834_Computer_Aided_Diagnosis_System_for_Classification_of_Abnormalities_in_Thyroid_Nodules_Ultrasound_Images_using_Deep_Learning/links/60df230d299bf1ea9ed6c6a2/Computer-Aided-DiagnosAlbawi, S., Mohammed, T. A., & Al-Zaw, S. (2017). Understanding of a convolutional neural network. 2017 International Conference on Engineering and Technology (ICET), 1-10. Obtenido de https://ieeexplore.ieee.org/abstract/document/8308186Al-Salam, S., Sharma, C., Abu Sa’a, ,. M., Afandi, B., & Aldahmani, K. M. (2021). Ultrasound-guided fine needle aspiration cytology and ultrasound examination of thyroid nodules in the UAE: A comparison. Plos One, 1-24. Obtenido de https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0247807Arias Trillos, Y. E. (2019). Sistema web de reconocimiento y clasificación de patologías a través de imágenes médicas basado en técnicas de aprendizaje de máquina. Repositorio Institucional - UNAB, 1-67. Obtenido de https://repository.unab.edu.co/bitstream/handle/20.500.12749/7053/2019_Tesis_YharyEstefania_Arias_Trillos.pdf?sequence=1&isAllowed=yArias Trillos, Y. E. (2022). ma para la clasificación y reconocimeinto de imágenes de ultrasonido en tiroides, basado en técnicas de aprendizaje profundo, oara el apoyo en el proceso diagnóstico según la escala EU-TIRADS. Repositorio de la Universitat Politècnica de València, 1-75. Obtenido de https://riunet.upv.es/bitstream/handle/10251/183084/Arias%20-%20Sistema%20de%20la%20clasificacion%20y%20reconocimiento%20de%20imagenes%20de%20ultrasonido%20en%20tiroides%20basad....pdf?sequence=1&isAllowed=yBai, Z., Chang, L., & Yu. Ruiguo, X. (2020). Thyroid nodules risk stratification through deep learning based on ultrasound images. Medical Physics, 47(12), 1-10. Obtenido de https://aapm.onlinelibrary.wiley.com/doi/abs/10.1002/mp.14543Baldota, S., & Malathy, C. (2021). Classification of Ultrasound Thyroid Nodule Images by Computer-Aided Diagnosis: A Technical Review. Computational Vision and Bio-Inspired Computing, 353–368, 1-12. Obtenido de https://link.springer.com/chapter/10.1007/978-981-33-6862-0_30Barrea, L., Gallo, M., Ruggeri, R. M., Di Giacinto, P., Sesti, F., & Prinzi, N. (2020). Nutritional status and follicular-derived thyroid cancer: An update. Critical Reviews in Food Science and Nutrition(61), 1-15. Obtenido de https://www.tandfonline.com/doi/abs/10.1080/10408398.2020.1714542Bi, Q., & Goodman, K. E. (2019). What is Machine Learning? A Primer for the Epidemiologist. American Journal of Epidemiology, 188(12), 2222-2239. Obtenido de https://academic.oup.com/aje/article/188/12/2222/5567515Buda, M. (2021). Management of Thyroid Nodules Seen on US Images: Deep Learning May Match Performance of Radiologists. RSNA - Radiology, 292(3), 292-304. Obtenido de https://pubs.rsna.org/doi/full/10.1148/radiol.2019181343Bush, V. (1954). As we May Think. Reflections, 1-10. Obtenido de https://www.ias.ac.in/article/fulltext/reso/005/11/0094-0103Cao, M., & Chen, W. (2018). Epidemiology of lung cancer in China. Thoracic Cancer, 10(1), 3-7. Obtenido de https://onlinelibrary.wiley.com/doi/full/10.1111/1759-7714.12916Chartrand, G. (2017). Machine Learning for Medical Imaging. RSNA, 37, 1-14. Obtenido de https://pubs.rsna.org/doi/full/10.1148/rg.2017170077Chen, Z. (2018). Lifelong Machine Learning, Second Edition: Synthesis Lectures on Artificial Intelligence and Machine Learning. Morgan & Claypool Publishers, 1-25. Obtenido de https://www.morganclaypool.com/doi/abs/10.2200/S00832ED1V01Y201802AIM037Choy, G. (2018). Current Applications and Future Impact of Machine Learning in Radiology. NIH - National Library of Medicine, 288(2), 1-14. Obtenido de https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6542626/Computer-Aided Diagnosis Systems in Diagnosing Malignant Thyroid Nodules on Ultrasonography: A Systematic Review and Meta-Analysis. (2019). European Tryroid Journal, 9(4), 186-193. Obtenido de https://etj.bioscientifica.com/view/journals/etj/9/4/ETJ504390.xmlConstanza Pardo, R. C. (2018). Estimaciones de incidencia y mortalidad para los principales cinco tipos de cáncer en Colombia, 2007-2011. Repositorio DIGITAL Instituto Nacional de Cancerología, 1-12. Obtenido de https://colombiamedica.univalle.edu.co/index.php/comedica/article/download/3596/4300?inline=1Curado, M. P., Edwards, B., Shin, H. R., Storm, H., & Feley, J. (2007). Cancer Incidence in Five Contenents - Volume IX. IARC Press, International Agency for Research on Cancer, 896.Dick, S. (2019). Artificial Intelligence. HDDR, 11, 1-14. Obtenido de https://hdsr.duqduq.org/pub/0aytgrau/release/1do Nascimento, J. H., & Duval da Silva, V. (2009). Acurácia dos achados ultrassonográficos do câncer de mama: correlação da classificação BI-RADS® e achados histológicos. Artigos Originais, 42(4), 1-15. Obtenido de https://www.scielo.br/j/rb/a/NfP9c8ktqsGJYkQQhCvH9Fj/?format=html&lang=ptFerlay, J., Colombet, M., Soerjomataram, I., Parkin, D. M., Piñeros, M., Znaor, A., & Bray, F. (2021). Cancer statistics for the year 2020: An overview. International Journal of Cancer, 149(4), 778-789. Obtenido de https://onlinelibrary.wiley.com/doi/full/10.1002/ijc.33588Ferlay, J., Soerjomataram, I., Dikshit, R., & Eser, S. M. (2014). Cancer incidence and mortality worldwide: Sources, methods and major patterns in GLOBOCAN 2012. International Journal of Cancer, 136(5), 1-14. Obtenido de https://onlinelibrary.wiley.com/doi/full/10.1002/ijc.29210Gao, L. (2017). Computer-aided system for diagnosing thyroid nodules on ultrasound: A comparison with radiologist-based clinical assessments. Wiley Online Lirary, 40(4), 778-783. Obtenido de https://onlinelibrary.wiley.com/doi/abs/10.1002/hed.25049Gomes Ataide, E. J., Ponugoti, N., & Illanes, A. (2020). Thyroid Nodule Classification for Physician Decision Support Using Machine Learning-Evaluated Geometric and Morphological Features. Journal Sensors, 20(21), 1-10. Obtenido de https://www.mdpi.com/1424-8220/20/21/6110Gong, H., Chen, G., Wang, R., Xie, X., Mao, M., & Yu, Y. (2021). Multi-Task Learning For Thyroid Nodule Segmentation With Thyroid Region Prior. 2021 IEEE 18th International Symposium on Biomedical Imaging (ISBI), 1-14. Obtenido de https://ieeexplore.ieee.org/abstract/document/9434087Gu, J., & Wan, Z. (2018). Recent advances in convolutional neural networks. Pattern Recognition, 77, 354-377. Obtenido de https://www.sciencedirect.com/science/article/abs/pii/S0031320317304120Gunning, D. (2019). XAI—Explainable artificial intelligence. Science Robotics, 4(37), 1-14. Obtenido de https://www.science.org/doi/abs/10.1126/scirobotics.aay7120Han, M., Ha, E., & Park, H. (2021). Computer-Aided Diagnostic System for Thyroid Nodules on Ultrasonography: Diagnostic Performance Based on the Thyroid Imaging Reporting and Data System Classification and Dichotomous Outcomes. American Journal of Neuroradiology, 42 (3), 559-565. Obtenido de http://www.ajnr.org/content/42/3/559.abstractHaymart, M., & Benerjee, M. (2019). Thyroid Ultrasound and the Increase in Diagnosis of Low-Risk Thyroid Cancer. CEM The Journal of Clinical Encrinology & Metabolism, 1-16. Obtenido de https://academic.oup.com/jcem/article/104/3/785/5128913Hong, S., Young-Joo, W., & Ran Park, Y. (2020). Cancer Statistics in Korea: Incidence, Mortality, Survival, and Prevalence in 2017. Kamje Synapse, 52(2), 335-350. Obtenido de https://synapse.koreamed.org/articles/1154445Janiesch, C., Zschech, P., & Heinrich, K. (2021). Machine learning and deep learning. Electronic Markets, 31(5), 685-695. Obtenido de https://link.springer.com/article/10.1007/s12525-021-00475-2Khan, S., & Yong, S.-P. (2018). A deep learning architecture for classifying medical images of anatomy object. Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA ASC), 1-10. Obtenido de https://ieeexplore.ieee.org/abstract/document/8282299Khazaei, Z., Sohrabivafa, M., Victoria, M., Moayed, L., & Goodarzi, E. (2019). Global cancer statistics 2018: Globocan estimates of incidence and mortality worldwide prostate cancers and their relationship with the human development index. Journal of Advances in Human Biology, 9(3), 245-250. Obtenido de https://www.aihbonline.com/article.asp?issn=2321-8568;year=2019;volume=9;issue=3;spage=245;epage=250;aulast=KhazaeiKim, J., Gosnell, J. E., & Roman, S. A. (2020). Geographic influences in the global rise of thyroid cancer. Nature Reviews Endocrinology, 16, 17-29. Obtenido de https://www.nature.com/articles/s41574-019-0263-xKitahara, C., & Sosa, J. (2020). Understanding the ever-changing incidence of thyroid cancer. Nature Reviews Endocrinology, 16, 617-618. Obtenido de https://www.nature.com/articles/s41574-020-00414-9Li, M., & Dal Maso, L. (2020). Global trends in thyroid cancer incidence and the impact of overdiagnosis. Diabetes & Endocrinology, 8(6), 1-10. Obtenido de https://www.thelancet.com/journals/landia/article/PIIS2213-8587(20)30115-7/fulltextLi, X. (2019). Diagnosis of thyroid cancer using deep convolutional neural network models applied to sonographic images: a retrospective, multicohort, diagnostic study. The Lancet - Oncology, 20(2), 193-201. Obtenido de https://www.sciencedirect.com/science/article/abs/pii/S1470204518307629Liang, L., Zheng, X.-C., Hu, M.-J., Zhang, Q., Wang, S.-Y., & Huang, F. (2019). Association of benign thyroid diseases with thyroid cancer risk: a meta-analysis of prospective observational studies. Journal of Endocrinological Investigation, 42(5), 673-685. Obtenido de https://link.springer.com/article/10.1007/s40618-018-0968-zLiu, T., Guo, Q., & Lian, C. (2019). Automated detection and classification of thyroid nodules in ultrasound images using clinical-knowledge-guided convolutional neural networks. Medical Image Analysis, 58(5), 1-14. Obtenido de https://www.sciencedirect.com/science/article/abs/pii/S1361841519300970Long, K., Tang, L., & Pu, X. (2021). Probability-based Mask R-CNN for pulmonary embolism detection. Neurocomputing, 422(6), 345-353. Obtenido de https://www.sciencedirect.com/science/article/abs/pii/S0925231220315186Ma, J. (2017). A pre-trained convolutional neural network based method for thyroid nodule diagnosis. Ultrasonics, 73(54), 221-230. Obtenido de https://www.sciencedirect.com/science/article/abs/pii/S0041624X16301913Magri, F., Chytiris, S., & Croce, L. (2020). Performance of the ACR TI-RADS and EU TI-RADS scoring systems in the diagnostic work-up of thyroid nodules in a real-life series using histology as reference standard. European Journal of Endocrinology, 1-12. Obtenido de https://eje.bioscientifica.com/view/journals/eje/183/5/EJE-20-0682.xmlMahesh, B. (2018). Machine Learning Algorithms - A Review. International Journal of Science and Research (IJSR), 25(12), 1-25. Obtenido de https://www.researchgate.net/profile/Batta-Mahesh/publication/344717762_Machine_Learning_Algorithms_-A_Review/links/5f8b2365299bf1b53e2d243a/Machine-Learning-Algorithms-A-Review.pdf?eid=5082902844932096Mamedov, U., & Khodjaeva, D. I. (2021). Modern Diagnostic Approachкеtreatment of Thyroid Cancer. International Journal of Development and Public Policy, 1(4), 1-14. Obtenido de http://openaccessjournals.eu/index.php/ijdpp/article/view/233Maniakas, A., Davies, L., & Zafereo, M. E. (2018). Thyroid Disease Around the World. Otolaryngologic Clinics, 51(3), 631-642. Obtenido de https://www.oto.theclinics.com/article/S0030-6665(18)30014-8/fulltextMattiuzzi, C., & Lippi, G. (2019). Current Cancer Epidemiology. National Library of Medicine, 9(4), 217-222. Obtenido de https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7310786/McCarthy, J., Minsky, M. L., & Rochester, N. (2006). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955. IA Magazine, 27(4), 1-16. Obtenido de https://ojs.aaai.org/index.php/aimagazine/article/view/1904Megan, H. (2021). Progress and Challenges in Thyroid Cancer Management. Endocrine Practice, 27(15), 1260-1263. Obtenido de https://www.sciencedirect.com/science/article/abs/pii/S1530891X21012349Morales Olaya, A., Peña Galvis, D. V., & Pinto Murillo, P. D. (2022). Calidad de vida en pacientes diagnosticados con neoplasias malignas de cabeza y cuello en la ciudad de Bucaramanga, Colombia. Respositorio Institucional - Universidad Santo Tomas, 1-78. Obtenido de https://repository.usta.edu.co/handle/11634/44591Nachiappan, A. C., Metwalli, Z. A., & Hailey, B. S. (2014). The Thyroid: Review of Imaging Features and Biopsy Techniques with Radiologic-Pathologic Correlation. RSNA - RadioGraphics, 34(2), 1-12. Obtenido de https://pubs.rsna.org/doi/full/10.1148/rg.342135067Naga, I. E., & Murphy, M. J. (2015). What Is Machine Learning? Machine Learning in Radiation Oncology, 4(21), 1-13. Obtenido de https://link.springer.com/chapter/10.1007/978-3-319-18305-3_1O'Shea, K., & Nash, R. (2015). An Introduction to Convolutional Neural Networks. Neural and Evolutionary Computing, 1-18. Obtenido de https://arxiv.org/abs/1511.08458Pardo, C., & Cendales, R. (2018). Cancer incidence estimates and mortality for the top five cancer in Colombia, 2007-2011. Colombia Médica, 49(1), 16-22. Obtenido de https://colombiamedica.univalle.edu.co/index.php/comedica/article/view/3596Park, ,. S., & Kim, S. H. (2010). Observer variability in the sonographic evaluation of thyroid nodules. Journal of Clinical Ultrasound, 38(6), 2887-293. Obtenido de https://onlinelibrary.wiley.com/doi/abs/10.1002/jcu.20689Pellegriti, G., Frasca, F., Regalbuto, C., Squatrito, S., & Vigneri, R. (2013). Worldwide Increasing Incidence of Thyroid Cancer: Update on Epidemiology and Risk Factors. Journal of of Cancer Epidemiology, 2013, 1-19. Obtenido de https://www.hindawi.com/journals/jce/2013/965212/Peng, S., Liu, Y., & Lv, W. (2021). Deep learning-based artificial intelligence model to assist thyroid nodule diagnosis and management: a multicentre diagnostic study. The Lancet Digital Health, 250-259. Obtenido de https://www.sciencedirect.com/science/article/pii/S2589750021000418Radkiewicz, C. (2019). Sex and survival in non-small cell lung cancer: A nationwide cohort study. Plos One, 1-17. Obtenido de https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0219206Rivillas García, J. C. (2018). Observatorio Nacional de Cáncer. Guía Metodológica - Dirección de Epidemiología y Demografía, 1-59. Obtenido de https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/VS/ED/GCFI/guia-ross-cancer.pdfShin, H.-C., Roth, H. R., Gao, M., Lu, L., Xu, Z., & Nogues, I. (2016). Deep Convolutional Neural Networks for Computer-Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning. IEEE Transactions on Medical Imaging, 35(5), 1-16. Obtenido de https://ieeexplore.ieee.org/abstract/document/7404017Song, W., Li, S., Liu, J., & Qin, H. (2019). Multitask Cascade Convolution Neural Networks for Automatic Thyroid Nodule Detection and Recognition. IEEE Journal of Biomedical and Health Informatics, 23(3), 1-13. Obtenido de https://ieeexplore.ieee.org/abstract/document/8402093Sung, H., Ferlay, J., Siegel, R., & Laversanne, M. (2021). Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. A Cancer Journal for Clinicians, 71(3), 209-249. Obtenido de https://acsjournals.onlinelibrary.wiley.com/doi/full/10.3322/caac.21660Tessler, F. N., Middleton, W. D., & Grant, E. G. (2017). ACR Thyroid Imaging, Reporting and Data System (TI-RADS): White Paper of the ACR TI-RADS Committee. Journal of the American College of Radiology, 14(5), 587-595. Obtenido de https://www.sciencedirect.com/science/article/abs/pii/S1546144017301862Torres Cuevas, C. M., Espitia Guerrero, G. D., & Becerra Becerra, M. T. (2021). Experiencias de enfermería con pacientes oncológicos paliativos en servicios de urgencias en Bogotá, año 2021. Repositorio Institucional - Pontificia Universidad Javeriana, 1-13. Obtenido de https://repository.javeriana.edu.co/handle/10554/58183Ultrasound Image-Based Diagnosis of Malignant Thyroid Nodule Using Artificial Intelligence. (2020). Sensor, 20(7), 1-15. Obtenido de https://www.mdpi.com/1424-8220/20/7/1822Uribe, C. J., & Anaya Reyes, K. C. (2018). Carcinoma basocelular de piel en el área metropolitana de Bucaramanga, Colombia: una mirada epidemiológica. Revista de la Asocioación Colombiana de Dermatología y Cirugía Dermatológica, 26(1), 1-15. Obtenido de https://revista.asocolderma.org.co/index.php/asocolderma/article/view/26Vaccarella, S., Dal Maso, L., Laversanne, M. F., & Plummer, M. F. (2015). The Impact of Diagnostic Changes on the Rise in Thyroid Cancer Incidence: A Population-Based Study in Selected High-Resource Countries. Mary Ann Liebert Inc Publisher, 25(10), 1-14. Obtenido de https://www.liebertpub.com/doi/abs/10.1089/thy.2015.0116Vaccarella, S., Franceschi, S., & Bray, F. (2016). Worldwide Thyroid-Cancer Epidemic? The Increasing Impact of Overdiagnosis. The New England Journal of Medicine, 375, 614-617. Obtenido de https://www.nejm.org/doi/full/10.1056/NEJMp1604412Valencia, O., Lopes, G., Sánchez, P., Acuña, L., & Uribe, D. (2016). Incidence and Prevalence of Cancer in Colombia: The Methodology Used Matters. Journal of Global Oncology, 15-32. Obtenido de https://scholar.google.com/scholar?hl=es&as_sdt=0%2C5&q=globocan+2015+colombia&oq=globocan+2015+colomWang, L., Zhang, L., Zhu, M., & Qi, X. (2020). Automatic diagnosis for thyroid nodules in ultrasound images by deep neural networks. Medical Image Analysis, 61, 1-12. Obtenido de https://www.sciencedirect.com/science/article/abs/pii/S1361841520300311Xuesi, M., Baohang, X., Yi, Z., & Lijuan, Z. (2020). A Machine Learning- Based Diagnosis of Thyroid Cancer Usisng Thyroid Nodules Ultrasound Images. Bentham Science Publishers, 15(4). Obtenido de https://www.ingentaconnect.com/content/ben/cbio/2020/00000015/00000004/art00011Yamashita, R., Nishio, M., & Togashi, K. (2018). Convolutional neural networks: an overview and application in radiology. Insights into Imaging, 9, 611-629. Obtenido de https://link.springer.com/article/10.1007/s13244-018-0639-9Yang, R. (2020). Comparison of Diagnostic Performance of Five Different Ultrasound TI-RADS Classification Guidelines for Thyroid Nodules. Frountiers in Oncology, 1-12. Obtenido de https://www.frontiersin.org/articles/10.3389/fonc.2020.598225/fullYe, H., Hang, J., & Chen, X. (2020). An intelligent platform for ultrasound diagnosis of thyroid nodules. Scientific Reports volume, 1-15. Obtenido de https://www.nature.com/articles/s41598-020-70159-yYoon, J., Lee, E., & Kang, S.-W. (2021). Implications of US radiomics signature for predicting malignancy in thyroid nodules with indeterminate cytology. European Radiology volume, 31, 1-10. Obtenido de https://link.springer.com/article/10.1007/s00330-020-07670-3Zhang, J., Liu, B.-J., & Xu, H.-X. (2015). Prospective validation of an ultrasound-based thyroid imaging reporting and data system (TI-RADS) on 3980 thyroid nodules. Nacional Library of Medicine(8), 5911-5917.Zhang, S., Huarui, D., Zhuang, J., & Zhang, Y. (2020). A Novel Interpretable Computer-Aided Diagnosis System of Thyroid Nodules on Ultrasound Based on Clinical Experience. IEEE Access (Volumen 8), 53223-53231. Obtenido de https://ieeexplore.ieee.org/abstract/document/9016204Zhang, Y., Zhou, P., & Zhao, Y.-F. (2017). Usefulness of combined use of contrast-enhanced ultrasound and TI-RADS classification for the differentiation of benign from malignant lesions of thyroid nodules. European Radiology, 27(5), 1527-2536. Obtenido de https://link.springer.com/article/10.1007/s00330-016-4508-yZhao, W.-J. (2019). Effectiveness evaluation of computer-aided diagnosis system for the diagnosis of thyroid nodules on ultrasound. Medicine, 98(32), 1-13. Obtenido de https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6709241/Zhu, Y. C., Jin, P., & Bao, J. (2021). Thyroid ultrasound image classification using a convolutional neural network. National Library of Medicine, 1526-1539.ORIGINAL2022_Tesis_Marconi_Narvaez_Boris.pdf2022_Tesis_Marconi_Narvaez_Boris.pdfTesisapplication/pdf2675163https://repository.unab.edu.co/bitstream/20.500.12749/18462/1/2022_Tesis_Marconi_Narvaez_Boris.pdf1e7e49d4fd54a88e3e16403dd0c4e8d2MD51open access2022_Licencia_Marconi_Narvaez_Boris.pdf2022_Licencia_Marconi_Narvaez_Boris.pdfLicenciaapplication/pdf205594https://repository.unab.edu.co/bitstream/20.500.12749/18462/2/2022_Licencia_Marconi_Narvaez_Boris.pdffa1caf17e40660a4c9a95fbb5fc54553MD52metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8829https://repository.unab.edu.co/bitstream/20.500.12749/18462/3/license.txt3755c0cfdb77e29f2b9125d7a45dd316MD53open accessTHUMBNAIL2022_Tesis_Marconi_Narvaez_Boris.pdf.jpg2022_Tesis_Marconi_Narvaez_Boris.pdf.jpgIM Thumbnailimage/jpeg5566https://repository.unab.edu.co/bitstream/20.500.12749/18462/4/2022_Tesis_Marconi_Narvaez_Boris.pdf.jpg95982c2409356b1aa8f0e60fd731e495MD54open access2022_Licencia_Marconi_Narvaez_Boris.pdf.jpg2022_Licencia_Marconi_Narvaez_Boris.pdf.jpgIM Thumbnailimage/jpeg13057https://repository.unab.edu.co/bitstream/20.500.12749/18462/5/2022_Licencia_Marconi_Narvaez_Boris.pdf.jpg49734e32123b747b6fa59a881bd6d09fMD55metadata only access20.500.12749/18462oai:repository.unab.edu.co:20.500.12749/184622022-11-24 22:00:22.179open accessRepositorio Institucional \| Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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

Diseño y evaluacion de un sistema de inteligencia artificial (IA) basado en redes neuronales convolucionales (CNN) para la detección y clasificación de nódulo tiroideo por ultrasonido

Publicaciones similares