Classificação de nódulos pulmonares em imagens tomográficas utilizando redes neurais artificiais em cascata

• Ano de defesa: 2015
• Autor(a) principal: Franco, Marcelo Lemos Nunes
• Orientador(a): Patrocinio, Ana Claudia
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Uberlândia
• Programa de Pós-Graduação: Programa de Pós-graduação em Engenharia Biomédica
• País: Brasil
• Palavras-chave em Português: Engenharia biomédica; Tomografia; Pulmões - Câncer; Redes neurais artificiais; Câncer Pulmonar; Redes Neurais Artificiais em Cascata; Tomografia Computadorizada; Teste T de Student; Teste U de Mann-Whitney; Lung Cancer; Cascade Artificial Neural Network; Computed Tomography; T Test of Student; U Test of Mann-Whitney
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA BIOMEDICA
• Link de acesso: https://repositorio.ufu.br/handle/123456789/17664; https://doi.org/10.14393/ufu.di.2015.535

O câncer de pulmão é o mais comum de todos os tumores malignos, com 1,59 milhões de novos casos em todo o mundo no ano de 2012. A detecção precoce é o principal fator que determina a sobrevivência de pacientes acometidos por essa doença. Ainda, o estadiamento é importante para definir o método terapêutico mais adequado, bem como sugerir o prognóstico e a evolução clínica da doença. Dentre os exames utilizados para detecção de câncer pulmonar, a tomografia computadorizada têm sido o exame mais indicado. Porém, imagens de tomografia computadorizada são naturalmente complexas e médicos mesmo que experientes são sujeitos a falhas de detecção ou de classificação. No sentido de ajudar o processo de detecção de neoplasias, sistemas de auxílio ao diagnostico vem sendo desenvolvidos, o que pode ajudar a diminuir a quantidade de falsos positivos em biópsias. Neste trabalho foi desenvolvido um sistema de classificação automática de nódulos pulmonares em imagens de tomografia computadorizada utilizando Redes Neurais Artificias. Para isso, foram extraídos atributos morfológicos, de textura e de intensidade, de nódulos pulmonares que foram recortados de imagens tomográficas utilizando regiões de interesse elípticas e, posteriormente, segmentados pelo método de Otsu. Esses atributos foram selecionados por meio de testes estatísticos de comparação populacional (teste T de Student e teste U de Mann-Whitney) de onde originou um ranking. Os atributos, após a seleção, foram inseridos em redes neurais artificiais do tipo Backpropagation para compor dois tipos de classificação; uma para classificar se os nódulos são malignos ou benignos (rede 1); e outra para classificar dois tipos de lesões malignas (rede 2), formando, assim, um classificador em cascata. As melhores redes foram associadas e sua eficácia foi medida por meio da área sob a curva ROC, onde a rede 1 e a rede 2 obtiveram desempenho igual a 0,901 e 0,892 respectivamente.