Detecção e segmentação automáticas de tumores em exames de tomografia computadorizada de tórax para auxílio ao diagnóstico e radiômica do câncer de pulmão

• Ano de defesa: 2025
• Autor(a) principal: Gonçalves, Douglas Samuel
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: aprendizado profundo; automatic segmentation; câncer de pulmão; convolutional neural networks; deep learning; image segmentation; lung cancer; nnU-Net; radiômica; radiomics; redes neurais convolucionais; segmentação automática; segmentação de imagens; YOLO
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/82/82131/tde-26032026-140718/

O câncer de pulmão é o tipo de câncer com uma das maiores taxas de mortalidade no Brasil, sendo a maior taxa do mundo. Com o avanço da tecnologia, foram criados sistemas que atuam de forma ampla na área médica para auxiliar na análise dos exames por imagem desses tumores, conhecidos como computer-aided diagnosis (CAD). O processo de radiômica é uma extensão dos sistemas CAD, na qual não só os padrões visuais das imagens médicas são representados por valores numéricos que podem ser interpretados por algoritmos, mas também se associam dados e informações extraídos de registros eletrônicos de saúde, potencializando também avaliações prognósticas computadorizadas. As redes neurais convolucionais (RNC) são métodos de aprendizado profundo, compostas de múltiplas camadas que aplicam filtros e funções genéricas para extração de características e classificação de imagens. Nesse cenário, o estudo aqui apresentado teve como objeto investigar e avaliar métodos automatizados para detecção e segmentação de lesões pulmonares, visando aumentar a precisão e sensibilidade, contribuindo para o desenvolvimento de sistemas CAD aplicados ao diagnóstico e prognóstico do câncer de pulmão. Foram utilizados exames de tomografias computadorizadas do Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto e da base LIDC-IDRI para treinamento e validação. Foram implementados métodos tradicionais de aprendizado de máquina utilizando classificadores Random Forest e XGBoost, além de redes profundas como YOLOv11/v12 e nnU-Net. Os melhores resultados para detecção foram obtidos com a rede YOLOv12 (sensibilidade de 0,74 e precisão de 0,92) e com a nnU-Net em configuração 3D (sensibilidade 0,70 e precisão 0,93), indicando o bom potencial dos modelos estudados para automatização da tarefa de segmentação e detecção de imagens de exames de tomografia computadorizada de tórax para apoio à aplicação de sistemas CAD e abordagens radiômicas.