Defesa de Mestrado de Julio César Mendoza Bobadilla

Título do Trabalho
Lung Nodule Classification Based on Deep Convolutional Neural Networks
Candidato(a)
Julio César Mendoza Bobadilla
Nível
Mestrado
Data
Add to Calender 2017-12-18 00:00:00 2017-12-18 00:00:00 Defesa de Mestrado de Julio César Mendoza Bobadilla Lung Nodule Classification Based on Deep Convolutional Neural Networks Sala 352 do IC 3,5 INSTITUTO DE COMPUTAÇÃO mauroesc@ic.unicamp.br America/Sao_Paulo public
Horário
13:30h
Local
Sala 352 do IC 3,5
Orientador(a)
Hélio Pedrini
Banca Examinadora

Titulares  -  Professores Doutores

Unidade/Instituição

Hélio Pedrini

IC/UNICAMP

Marcelo Zanchetta do Nascimento

FACOM/UFU

Esther Luna Colombini

IC/UNICAMP

 

Suplentes  -  Professores Doutores

Unidade/Instituição

André Santanchè

IC/UNICAMP

Fátima de Lourdes dos Santos Nunes Marques

EACH/USP

Resumo

O câncer de pulmão, que se caracteriza pela presença de nódulos, é o tipo mais comum de câncer em todo o mundo, além de ser um dos mais agressivos e fatais, com 20% da mortalidade total por câncer. A triagem do câncer de pulmão pode ser realizada por radiologistas que analisam imagens de raios-X de tórax (CXR). No entanto, a detecção de nódulos pulmonares é uma tarefa difícil devido a sua grande variabilidade, limitações humanas de memória, distração e fadiga, entre outros fatores. Essas dificuldades motivam o desenvolvimento de sistemas de diagnóstico por computador (CAD) para apoiar radiologistas na detecção de nódulos pulmonares. A classificação do nódulo do pulmão é um dos principais tópicos relacionados aos sistemas de CAD. Embora as redes neurais convolucionais (CNN) tenham demonstrado ter um bom desempenho em muitas tarefas, há poucas explorações de seu uso para classificar nódulos pulmonares em imagens CXR. Neste trabalho, propusemos e analisamos um arcabouço para a detecção de nódulos pulmonares em imagens de CXR que inclui segmentação da área pulmonar, localização de nódulos e classificação de nódulos candidatos. Apresentamos um método para classificação de nódulos candidatos com CNN treinadas a partir do zero. A eficácia do nosso método baseia-se na seleção de parâmetros de aumento de dados, no projeto de uma arquitetura CNN especializada, no uso da regularização de dropout na rede, inclusive em camadas convolucionais, e no tratamento da falta de amostras de nódulos em comparação com amostras de fundo, balanceando mini-lotes em cada iteração da descida do gradiente estocástico. Todas as decisões de seleção do modelo foram tomadas usando-se um subconjunto de imagens CXR da base Lung Image Database Consortium and Image Database Resource Initiative (LIDC/IDRI) separadamente. Então, utilizamos todas as imagens com nódulos no conjunto de dados da Japanese Society of Radiological Technology (JSRT) para avaliação. Nossos experimentos mostraram que as CNNs foram capazes de alcançar resultados competitivos quando comparados com métodos da literatura. Nossa proposta obteve uma curva de operação (AUC) de 7.51 considerando 10 falsos positivos por imagem (FPPI) e uma sensibilidade de 71.4% e 81.0% com 2 e 5 FPPI, respectivamente.