Técnicas multi-escala para identificação de nódulos pulmonares baseadas em redes neurais convolucionais
Técnicas multi-escala para identificação de nódulos pulmonares baseadas em redes neurais convolucionais
<eduardotelecio@gmail.com>
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.
Dr. Neves, Tácito Trindade de Araújo Tiburtino.
Detecção nodular.
Multiescala (Imagem).