Reconhecimento computadorizado de padrões de nódulos pulmonares em imagens de ressonância magnética para auxílio ao diagnóstico do câncer de pulmão

Detalhes bibliográficos
Ano de defesa: 2019
Autor(a) principal: Francisco, Victor
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Aprendizado de máquina
Câncer de pulmão
Computer-aided diagnosis
Diagnóstico auxiliado por computador
Lung cancer
Machine learning
Magnetic resonance imaging
Pattern recognition
Reconhecimento de padrões
Ressonância magnética
Link de acesso: http://www.teses.usp.br/teses/disponiveis/82/82131/tde-28022020-071756/
Resumo: O câncer de pulmão é o tipo de câncer que mais faz vítimas em todo o mundo e muitas vezes apresenta diagnóstico tardio. Tomografia computadorizada (TC) é atualmente o exame de imagem referência para o diagnóstico de tumores pulmonares. Estudos recentes mostram relevância na caracterização de tumores pulmonares por diferentes sequencias obtidas por ressonância magnética (RM). A RM também tem a vantagem de não expor o paciente à radiação ionizante, como ocorre nas TC. Este trabalho apresenta uma investigação sobre a aplicabilidade dos métodos de reconhecimento de padrões ao diagnóstico auxiliado por computador de câncer de pulmão em exames de RM a fim de classificar nódulos e massas pulmonares em benigno ou maligno. Imagens de RM ponderadas em T1 pós contraste (T1PC) e em T2 associadas a lesões pulmonares foram adquiridas retrospectiva e prospectivamente, então semi-automaticamente segmentadas. Os atributos quantitativos foram extraídos a partir dos modelos 2D e 3D segmentados de T1PC e T2. Cada modelo segmentado forneceu 75 atributos, totalizando 150. T1PC e T2 foram combinados criando o conjunto de dados T1PC-T2 com 300 atributos. Problemas de desbalanceamento foram resolvidos aumentando os conjuntos de dados de forma sintética e utilizando bootstrapping. A classificação dos tumores foi baseada em cinco classificadores de aprendizado de máquina e validados utilizando leave-one-out. A seleção de atributos mais relevantes foi realizada com Wrapper. Os resultados mostraram um desempenho significativo em conjuntos de dados balanceados, especialmente após a seleção de atributos. Naive Bayes classificando imagens em T2 com atributos relevantes selecionados obteve o maior valor de área sob a curva ROC (receiver operating characteristic) de 0,944. Os atributos relevantes mais selecionados foram extraídos da matriz de coocorrência de nível de cinza e da forma do tumor, indicando boa correlação com características clínicas dos tumores. Além disso, o estudo demonstra potencial para o diagnóstico auxiliado por computador para câncer de pulmão em imagens de RM
id USP_fce243ba1e068f2ab29264d32522c4b9
oai_identifier_str oai:teses.usp.br:tde-28022020-071756
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Reconhecimento computadorizado de padrões de nódulos pulmonares em imagens de ressonância magnética para auxílio ao diagnóstico do câncer de pulmãoComputerized pattern recognition of lung nodules in magnetic resonance imaging for lung cancer diagnosis aid.Aprendizado de máquinaCâncer de pulmãoComputer-aided diagnosisDiagnóstico auxiliado por computadorLung cancerMachine learningMagnetic resonance imagingPattern recognitionReconhecimento de padrõesRessonância magnéticaO câncer de pulmão é o tipo de câncer que mais faz vítimas em todo o mundo e muitas vezes apresenta diagnóstico tardio. Tomografia computadorizada (TC) é atualmente o exame de imagem referência para o diagnóstico de tumores pulmonares. Estudos recentes mostram relevância na caracterização de tumores pulmonares por diferentes sequencias obtidas por ressonância magnética (RM). A RM também tem a vantagem de não expor o paciente à radiação ionizante, como ocorre nas TC. Este trabalho apresenta uma investigação sobre a aplicabilidade dos métodos de reconhecimento de padrões ao diagnóstico auxiliado por computador de câncer de pulmão em exames de RM a fim de classificar nódulos e massas pulmonares em benigno ou maligno. Imagens de RM ponderadas em T1 pós contraste (T1PC) e em T2 associadas a lesões pulmonares foram adquiridas retrospectiva e prospectivamente, então semi-automaticamente segmentadas. Os atributos quantitativos foram extraídos a partir dos modelos 2D e 3D segmentados de T1PC e T2. Cada modelo segmentado forneceu 75 atributos, totalizando 150. T1PC e T2 foram combinados criando o conjunto de dados T1PC-T2 com 300 atributos. Problemas de desbalanceamento foram resolvidos aumentando os conjuntos de dados de forma sintética e utilizando bootstrapping. A classificação dos tumores foi baseada em cinco classificadores de aprendizado de máquina e validados utilizando leave-one-out. A seleção de atributos mais relevantes foi realizada com Wrapper. Os resultados mostraram um desempenho significativo em conjuntos de dados balanceados, especialmente após a seleção de atributos. Naive Bayes classificando imagens em T2 com atributos relevantes selecionados obteve o maior valor de área sob a curva ROC (receiver operating characteristic) de 0,944. Os atributos relevantes mais selecionados foram extraídos da matriz de coocorrência de nível de cinza e da forma do tumor, indicando boa correlação com características clínicas dos tumores. Além disso, o estudo demonstra potencial para o diagnóstico auxiliado por computador para câncer de pulmão em imagens de RMLung cancer is the type of cancer that takes the most victims around the world and often presents a late diagnosis. Computed tomography (CT) is currently the reference imaging test for the diagnosis and staging of lung tumors. Recent studies have shown relevance in the characterization of lung tumors by different sequences obtained with magnetic resonance imaging (MRI). MRI also has the advantage of not exposing the patient to ionizing radiation, which occurs in CT scans. This work presents an investigation about the applicability of pattern recognition methods to computer-aided diagnosis of lung cancer in MRI exams in order to classify lung nodules and masses in benign and malignant. T1-weighted contrast-enhanced (T1PC) and T2-weighted (T2) MRI images associated with lung lesions were acquired retrospectively and prospectively, then semi-automatically segmented. Quantitative features were obtained from tumor 2D and 3D segmentation models of T1PC and T2. Each segmentation model provided 75 features, totaling 150. T1PC and T2 datasets were combined creating the T1PC-T2 dataset with 300 features. Unbalancing problems were solved by synthetically oversampling the datasets and by bootstrapping. Tumor classification was based on five machine learning classifiers and leave-one-out cross-validation. Relevant feature selection was performed using Wrapper. Results showed significant performance on balanced datasets, especially after feature selection. Naïve Bayes classifying balanced T2 with selected features provided the highest area under the receiver operating characteristic (ROC) curve value of 0.944. The most selected features were extracted from gray level co-occurrence matrix and shape of the tumor, which these features might indicate good correlation with clinical and pathological data. Hence, the investigated approach demonstrates potential for computer-aided diagnosis of lung cancer in MRI.Biblioteca Digitais de Teses e Dissertações da USPMarques, Paulo Mazzoncini de AzevedoFrancisco, Victor2019-10-29info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://www.teses.usp.br/teses/disponiveis/82/82131/tde-28022020-071756/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2021-12-09T20:59:10Zoai:teses.usp.br:tde-28022020-071756Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212021-12-09T20:59:10Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Reconhecimento computadorizado de padrões de nódulos pulmonares em imagens de ressonância magnética para auxílio ao diagnóstico do câncer de pulmão
Computerized pattern recognition of lung nodules in magnetic resonance imaging for lung cancer diagnosis aid.
title Reconhecimento computadorizado de padrões de nódulos pulmonares em imagens de ressonância magnética para auxílio ao diagnóstico do câncer de pulmão
spellingShingle Reconhecimento computadorizado de padrões de nódulos pulmonares em imagens de ressonância magnética para auxílio ao diagnóstico do câncer de pulmão
Francisco, Victor
Aprendizado de máquina
Câncer de pulmão
Computer-aided diagnosis
Diagnóstico auxiliado por computador
Lung cancer
Machine learning
Magnetic resonance imaging
Pattern recognition
Reconhecimento de padrões
Ressonância magnética
title_short Reconhecimento computadorizado de padrões de nódulos pulmonares em imagens de ressonância magnética para auxílio ao diagnóstico do câncer de pulmão
title_full Reconhecimento computadorizado de padrões de nódulos pulmonares em imagens de ressonância magnética para auxílio ao diagnóstico do câncer de pulmão
title_fullStr Reconhecimento computadorizado de padrões de nódulos pulmonares em imagens de ressonância magnética para auxílio ao diagnóstico do câncer de pulmão
title_full_unstemmed Reconhecimento computadorizado de padrões de nódulos pulmonares em imagens de ressonância magnética para auxílio ao diagnóstico do câncer de pulmão
title_sort Reconhecimento computadorizado de padrões de nódulos pulmonares em imagens de ressonância magnética para auxílio ao diagnóstico do câncer de pulmão
author Francisco, Victor
author_facet Francisco, Victor
author_role author
dc.contributor.none.fl_str_mv Marques, Paulo Mazzoncini de Azevedo
dc.contributor.author.fl_str_mv Francisco, Victor
dc.subject.por.fl_str_mv Aprendizado de máquina
Câncer de pulmão
Computer-aided diagnosis
Diagnóstico auxiliado por computador
Lung cancer
Machine learning
Magnetic resonance imaging
Pattern recognition
Reconhecimento de padrões
Ressonância magnética
topic Aprendizado de máquina
Câncer de pulmão
Computer-aided diagnosis
Diagnóstico auxiliado por computador
Lung cancer
Machine learning
Magnetic resonance imaging
Pattern recognition
Reconhecimento de padrões
Ressonância magnética
description O câncer de pulmão é o tipo de câncer que mais faz vítimas em todo o mundo e muitas vezes apresenta diagnóstico tardio. Tomografia computadorizada (TC) é atualmente o exame de imagem referência para o diagnóstico de tumores pulmonares. Estudos recentes mostram relevância na caracterização de tumores pulmonares por diferentes sequencias obtidas por ressonância magnética (RM). A RM também tem a vantagem de não expor o paciente à radiação ionizante, como ocorre nas TC. Este trabalho apresenta uma investigação sobre a aplicabilidade dos métodos de reconhecimento de padrões ao diagnóstico auxiliado por computador de câncer de pulmão em exames de RM a fim de classificar nódulos e massas pulmonares em benigno ou maligno. Imagens de RM ponderadas em T1 pós contraste (T1PC) e em T2 associadas a lesões pulmonares foram adquiridas retrospectiva e prospectivamente, então semi-automaticamente segmentadas. Os atributos quantitativos foram extraídos a partir dos modelos 2D e 3D segmentados de T1PC e T2. Cada modelo segmentado forneceu 75 atributos, totalizando 150. T1PC e T2 foram combinados criando o conjunto de dados T1PC-T2 com 300 atributos. Problemas de desbalanceamento foram resolvidos aumentando os conjuntos de dados de forma sintética e utilizando bootstrapping. A classificação dos tumores foi baseada em cinco classificadores de aprendizado de máquina e validados utilizando leave-one-out. A seleção de atributos mais relevantes foi realizada com Wrapper. Os resultados mostraram um desempenho significativo em conjuntos de dados balanceados, especialmente após a seleção de atributos. Naive Bayes classificando imagens em T2 com atributos relevantes selecionados obteve o maior valor de área sob a curva ROC (receiver operating characteristic) de 0,944. Os atributos relevantes mais selecionados foram extraídos da matriz de coocorrência de nível de cinza e da forma do tumor, indicando boa correlação com características clínicas dos tumores. Além disso, o estudo demonstra potencial para o diagnóstico auxiliado por computador para câncer de pulmão em imagens de RM
publishDate 2019
dc.date.none.fl_str_mv 2019-10-29
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://www.teses.usp.br/teses/disponiveis/82/82131/tde-28022020-071756/
url http://www.teses.usp.br/teses/disponiveis/82/82131/tde-28022020-071756/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1865491477566586880

Registros relacionados