Técnicas multi-escala para identificação de nódulos pulmonares baseadas em redes neurais convolucionais

O câncer de pulmão é o tipo de câncer que mais causa mortes no mundo e sua principal manifestação ocorre devido ao aparecimento de lesões no tecido pulmonar. Dada a sua taxa de mortalidade, é muito importante que esse tipo de câncer seja identificado e diagnosticado o mais rápido possível. A maior dificuldade na tarefa de identificação de nódulos está em distinguir nódulos verdadeiros de outras estruturas pulmonares, como brônquios, traqueia e outros tecidos. Nesta tarefa, aspectos humanos podem interferir na identificação dos nódulos por parte dos especialistas, como cansaço, pressa, inexperiência ou outros fatores psicológicos. Em caso de falhas da identificação de nódulos, a fase de classificação está comprometida, pois a indicação da inexistência de nódulos em um exame (falsos negativos) dispensarão a fase de classificação posterior, o que por sua vez resultara em um diagnostico falho do paciente. Neste sentido, algoritmos e técnicas de visão computacional e aprendizagem de máquina tem sido utilizados no escaneamento de imagens de tomografia computadorizada (TC) de modo a identificar regiões onde estão localizados nódulos prováveis. Atualmente, algumas técnicas de aprendizado de máquina, como o aprendizado profundo (deep learning), têm sido aplicadas com relativo sucesso em tarefas de análise de imagens médicas e auxílio ao diagnóstico baseado em imagens. Tais técnicas são capazes de avaliar vários aspectos da imagem sem a interferência de fatores humanos. Este projeto tem como objetivo principal o desenvolvimento de técnicas computacionais que assistam um médico no processo de detecção de nódulos pulmonares em imagens de TC. O estudo consiste em (i) coleta de imagens de TC já previamente rotuladas com a presença ou ausência de nódulos pulmonares por especialistas; (ii) estudo e aplicação de técnicas de visão computacional e aprendizado de máquina profundo a fim de detectar, de forma automática, possíveis nódulos presentes nas imagens; (iii) análises quantitativas relativas a acurácia dos métodos desenvolvidos. Neste relatório, será explicado como o nosso método foi construído, treinado e testado. Os desafios da pesquisa e do problema em mãos serão levantados, assim como as possíveis soluções. Os resultados obtidos foram satisfatórios e atestam a qualidade de técnicas de multi-escala para esse tipo de problema.

Lung cancer is the type of cancer that causes the most deaths in the world and its main manifestation occurs due to the appearance of lesions in lung tissue. Given its mortality rate, it is very important that this type of cancer is identified and diagnosed as soon as possible. The greatest difficulty in the task of identifying nodules is in distinguishing true nodules from other lung structures, such as bronchi, trachea, and other tissues. In this task, human aspects can interfere with the identification of nodules by the specialists, such as tiredness, haste, inexperience, or other psychological factors. In case of nodule identification failures, the classification phase is compromised, because the indication of the non-existence of nodules in an exam (false negatives) will dispense with the subsequent classification phase, which in turn will result in a failed diagnosis of the patient. In this sense, computer vision and machine learning algorithms and techniques have been used in the scanning of computed tomography (CT) images in order to identify regions where likely nodules are located. Currently, some machine learning techniques, such as deep learning, have been applied with relative success in medical image analysis tasks and image-based diagnostic aid. Such techniques are able to evaluate various aspects of the image without the interference of human factors. The main objective of this project is to develop computational techniques to assist a physician in the process of detecting pulmonary nodules on CT images. The study consists of (i) collection of CT images already previously labeled with the presence or absence of pulmonary nodules by experts; (ii) study and application of computer vision techniques and deep machine learning in order to automatically detect possible nodules present in the images; (iii) quantitative analysis regarding the accuracy of the developed methods. In this report, it will be explained how our method was built, trained and tested. The challenges of the research and the problem at hand will be raised, as well as possible solutions. The results obtained were satisfactory and attest to the quality of multi-scale techniques for this type of problem.