Aplicação de Deep Learning para detecção automática de nódulos pulmonares em imagens de tomografia computadorizada do tórax

• Ano de defesa: 2025
• Autor(a) principal: Zavala, Eddy Jens Rivero
• 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: 3D exams; aprendizado profundo; deep learning; detecção de objetos; exame 3D; exame de tomografia computadorizada de tórax; lung nodule; nódulo pulmonar; object detection; thoracic computed tomography scan
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/82/82131/tde-19012026-112723/

O câncer é ainda hoje uma das principais causas de mortes no mundo. O câncer de pulmão é o segundo tipo mais comum no Brasil e apresenta características próprias em exames de imagem. O principal exame não invasivo para a detecção de nódulos pulmonares é a tomografia computadorizada do tórax. Esse exame gera imagens que podem ser utilizadas tanto para análise médica quanto para pesquisa, organizadas em cortes que podem ser avaliados em 3 eixos (axial, coronal e sagital), onde cada eixo pode conter dezenas ou até centenas de cortes bidimensionais. Considerando o volume e a complexidade dos dados analisados, uma forma de aprimorar e agilizar ainda mais as análises é o uso de ferramentas de inteligência artificial. Trabalhos anteriores mostraram bons resultados na classificação de exames em que os nódulos foram previamente marcados (identificados e isolados manualmente do restante da imagem). Com base nesses avanços, o presente estudo tem como objetivo o desenvolvimento e a avaliação de ferramentas para automatizar a detecção de nódulos pulmonares em exames tridimensionais, ampliando o potencial de pesquisas que dependem destas informações. Para o desenvolvimento do estudo, foram utilizadas diferentes bases públicas de dados, além de uma própria do Centro de Ciências das Imagens e Física Médica do Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto, contendo exames anonimizados e suas respectivas anotações de nódulos. Foi implementado e avaliado um modelo de etapa única para realizar a detecção volumétrica considerando diferentes padrões de contraste (janelamento) dos exames. Além disso, os modelos treinados foram combinados em um comitê de classificadores para otimizar os resultados, retornando as coordenadas dos nódulos encontrados. Os resultados obtidos com um conjunto de dados de teste independente e composto por uma fração dos dados das 3 bases utilizadas, demonstram uma sensibilidade de 91,69% para uma taxa média de 1,00 falso positivo por exame e um CPM (Competition Performance Metric) de 90,41%. Estes números indicam alta eficácia e grande proximidade com resultados apresentados em trabalhos similares encontrados na literatura especializada.